neural-network quantum states have been successfully used to study a variety
of lattice and continuous-space problems. Despite a great deal of general
methodological developments, representing fermionic matter is however still
early research activity. Here we present an extension of ne
基于深集合神经网络架构，我们引入了一系列用于在空间周期性存在的强相互作用系统中进行模拟的神经量子态，并将输入坐标周期性转换为可直接描述周期性玻色子系统的形式。我们展示了对具有高斯相互作用的一维和二维相互作用量子气体以及 $^4He$ confined in a one-dimensional geometry 的实例应用。我们发现，在一维系统中，我们可以非常精确地估计粒子的基态能量和径向分布函数。在二维系统中，我们得到了良好的基态能量估计，与从更传统的方法获得的结果相当。
本文介绍了一种基于神经网络的 fermionic 系统的地面状态模型，使用 Diffusion Monte Carlo 改进了模型的结果，并针对模型进行了多个修改，使其在占用更少资源的同时保持或提高建模性能。 Diffusion Monte Carlo 的结果超过或与所有研究的系统的最先进性能相匹配。