研究了利用人工神经网络作为通用变分波函数描述强相互作用量子系统的表现，特别是对于方格上的自旋模型，提出了使用由两个解耦实值网络组成的近似形式，并采用具体的缓解策略克服了固有的数值不稳定性。

Nov, 2020

该研究讨论了利用人工神经网络编码量子多体波函数的方法，有效地模拟了二维空间中的量子物质的无平衡实时演化，并应用到横向场伊辛模型上，验证了该方法的准确性和可行性。

Dec, 2019

本文介绍了一种将神经网络量子态扩展到相互作用费米子问题建模的方法，并使用该方法在多个二原子分子上进行电子结构计算，并将其与耦合簇方法和波函数的许多体变分态进行了基准测试，最终达到化学精确度或更好的水平。

Sep, 2019

本文提出了一种神经网络结构，能够有效表征量子态，应用于普通和受挫反铁磁体系，能够实现最先进的变分能量计算，从而揭示了存在与 Marshall 符号规则不符的、阻碍神经量子态基础变分蒙特卡洛访问系统真实基态的能量低态，本文对此进行了深入思考并提出了应对策略。

Feb, 2020

开发了一种第一量子化深度神经网络技术，用于分析格上强耦合费米系统，利用深度残差网络和卷积残差块确定了最近邻相互作用方格点阵上自旋无粒子的基态，较小系统的结果与精确对角化结果比较一致，且具有很高的精度，可以在大系统中准确预测金属和电荷有序相之间的边界。

Jul, 2020

通过机器学习的波函数系统性降低了量子物理中多体问题的复杂度，通过基于人工神经网络的变化神经元的量子状态的变分表示和强化学习方案，能够准确地描述复杂相互作用量子系统的时间演变和平衡和动态特性，为解决量子多体问题提供了新的强有力的工具。

Jun, 2016

神经网络量子态（NQSs）是通过结合传统方法和深度学习技术进行变分优化的一种新方法，用于找到量子多体基态，并逐渐成为传统变分方法的竞争对手。本文将量子多体变分波函数拆分为实值振幅神经网络和符号结构的乘积，专注于振幅网络的优化，同时保持符号结构固定。我们的方法在三个典型的量子多体系统上进行了测试，所得到的基态能量低于或与传统变分蒙特卡罗（VMC）方法和密度矩阵重整化群（DMRG）相当。令人惊讶的是，在受挫型海森堡 $J_1$-$J_2$ 模型中，我们的结果优于文献中复值卷积神经网络，这意味着复值 NQS 的符号结构很难被优化。我们将来将研究 NQS 的符号结构优化。

Aug, 2023

我们开发了一种构造性方法来生成人工神经网络，代表大量多体格子哈密顿量的准确基态。它基于深层玻尔兹曼机架构，在其中，隐藏层的两层中介绍了可见层中的物理自由度之间的量子相关性。通过对物理和神经元自由度的配置进行采样，可以测量物理量，并获得基态的紧凑、准确的网络表示，而且完全是确定性的。有了我们的方法，作为多体量子系统的紧凑、经典表示，它是标准路径积分的一种替代方案，也有可能对基于受限玻尔兹曼机架构的数值方法进行系统改进。

Feb, 2018

本文介绍如何使用 G-CNN 创建具有特定对称性质的量子状态的最大表现模型，并在经典算法中取得更好的性能表现。

Apr, 2021

本文通过精确对角化与有限尺寸缩放分析探讨了基于正方格子的量子海森堡反铁磁体系的基态性质，研究了磁序参数、基态能量、磁化率及自旋波速度等物理性质。结果表明，在参数空间内存在一段区域不存在任何磁序，同时发现在某些情况下 16 个自旋格子会出现异常的有限大小效应。

Feb, 1994