使用一种新的神经网络架构代替马尔科夫链蒙特卡洛（MCMC）采样方法来支持高效和精确的量子状态预测，这种方法在二维相互作用自旋模型中验证了其精确性和可扩展性。

Feb, 2019

该论文演示了使用循环神经网络（RNN）作为量子哈密顿量的近似基态变分波函数来表示多体波函数，通过优化变分参数使用随机方法实现。并利用其自回归性质作为有效的物理估计器来计算各种相关物理量。

Feb, 2020

本文概述了张量网络状态和方法在物理、量子信息学、人工智能等科学领域中的应用，并简要介绍了相关概念和发展，包括张量网络结构、算法、全局和规范对称性、费米子、拓扑序、相分类、纠缠哈密顿量、AdS / CFT、二维 Hubbard 模型、二维量子反铁磁体、共形场论、量子化学、无序系统和多体定位等。

Dec, 2018

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

提出并研究了一种名为广义转移矩阵状态（GTMS）的新型量子态，桥接了深度人工神经网络的两种方法，GTMS 包含了通用矩阵积态，并能够捕捉超越张量网络区域定律纠缠性质的更多长程量子关联。通过数值模拟和显式例子，表明 GTMS 是研究临界和动力学量子多体系统的有前途的候选方案。

Aug, 2018

本文探讨张量网络与深度学习之间的数学联系，使用通过多尺度纠缠重整方法派生的训练算法训练二维分层张量网络完成图像识别问题，并研究了张量网络的量子特性，包括量子纠缠和保真度，并发现这些量子特性可以作为图像类别以及机器学习任务的表征。

Oct, 2017

利用神经和张量网络近似精确、高效和量子一致地演化封闭纠缠系统的方法，可以解决传统计算方法在哈密顿空间增加时遇到的硬性限制，为众多量子计量问题提供了有趣的解决方案。

Jun, 2024

引入张量神经网络（TNN）来处理非参数回归问题，通过其独特的子网络结构，有效地促进变量分离，从而提高复杂未知函数的近似性；与传统的前馈网络（FFN）和径向基网络（RBN）相比，TNN 在近似准确性和泛化能力方面表现优异，尽管参数规模相似；我们的方法的一个关键创新是将统计回归和数值积分集成到 TNN 框架中，从而实现了与回归函数相关的高维积分的高效计算；此进展的意义扩展到更广泛的应用领域，特别是在需要精确高维数据分析和预测的场景。

Jun, 2024

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

本文研究了基于神经网络的方法，能够预测量子系统的演化轨迹，同时提取系统哈密顿量，测量算符和物理参数。该方法可用于噪声表征，参数估计，反馈和优化量子控制。

Nov, 2018