使用卷积神经网络模型作为变分 ansatz，研究了二维受挫磁体的模型，证明了所得结果与现有的最先进方法相当甚至更好。

Mar, 2019

通过结合机器学习和量子 Monte Carlo 的见解，采用神经网络 Ansatz 状态的随机重构方法是量子多体问题高精度基态估计的一个有前途的新方向。虽然该方法在实践中表现良好，但对学习动态了解甚少。本文通过分析学习景观，揭示了算法的一些隐藏细节。

Oct, 2019

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

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

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

本文介绍了一种用神经网络方法确定开放式量子晶格系统稳态的通用变分方法，以纯化的神经网络假设在带有辅助自由度的扩展希尔伯特空间中构建了格子系统的稳态密度矩阵。使用马尔科夫链蒙特卡罗采样可以执行与主方程相关的代价函数的变分最小化。作为第一个应用和原理证明，我们将该方法应用于耗散性量子横向伊辛模型。

Feb, 2019

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

使用神经网络量子态精确计算二维时空中 Z_N 格点规范理论的基态，并通过转移学习研究其拓扑相和限制相变。在 Z_2 和 Z_3 情况下，分别发现了连续相变和弱一级相变，并计算了临界指数和临界耦合，表明神经网络量子态在格点规范理论研究中有很大潜力。

May, 2024

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

本研究提出了一个新的用于计算量子多体基态性质的优化框架，该方法通过基于 Langevin 动力学的梯度分数进行抽样，避免了显式概率分布，采用加权分数匹配目标引导模型正确收敛到基态，测例表明其能准确地学习原子系统的基态，并为量子系统的更高效表示铺平了道路。

May, 2023