我们提出并分析了一种近似对称的神经网络家族，用于量子自旋液体问题。我们的方法在参数效率、可扩展性方面明显优于现有的无对称神经网络体系结构，并利用混合场拓扑码模型证明我们的方法与现有的张量网络和量子蒙特卡罗方法相竞争。此外，在最大的系统尺寸（N=480）下，我们的方法可以探索存在量子蒙特卡罗和有限尺寸矩阵乘积态无法解决的带有符号问题的哈密顿量。该网络包含一个完全对称的块以及一个非对称的块，我们认为它学习了类似准绝热延续的基态变换。我们的工作为在可解释的神经网络架构下研究量子自旋液体问题铺平了道路。

May, 2024

多模态人工智能中，通过神经科学和量子计算的相互作用，开发出解释性和透明性的早期融合大规模、异质、图结构化数据的自旋几何元元架构，利用最多 16 个量子比特的独特 Clifford-Lipschitz 运算对自组织大脑中的相互行为状态的相对论量子神经编码进行高效编码。通过对反模式和同层内部连接的侧抑制性神经元体系结构进行训练和设计，可以融合多达 16 个稳定的、互连的（反）模式并显式识别底层多维模式。在真实世界的场景下，期望通过对多模态大数据的应用来获得全面的洞察。

Sep, 2023

使用物理上知悉的神经网络方法来分析含有一种运动第一积分的非线性哈密顿系统，并提出了一种结构，将现有的哈密顿神经网络结构与 Adaptable Symplectic 循环神经网络相结合，可以在整个参数空间内预测动力学，保留哈密顿方程以及相空间的辛结构。同时，利用神经网络的高维非线性能力，结合 Long Short Term Memory 网络进行判断嵌入定理的实现，构造系统的延迟嵌入，并将拓扑不变吸引子映射到真实形式。该方法对于单参数势能有效，并且即使在较长时间内也能提供准确的预测结果。

Jul, 2023

本研究通过神经变换来学习哈密顿机械系统的对称性，需要新的网络体系结构来参数化辛变换，以维持哈密顿结构，并学习了可积模型的结构，这是神经变换适应一个受限于反演之外的家庭的典型示例。

Jun, 2019

本论文提出了一种新颖的等变神经网络体系结构，用于 Kondo 晶格模型的大规模自旋动力学模拟，并应用于二维正方形和三角形晶格上的模型。该网络确保平移和自旋旋转等同，并且可以准确复现磁性相变，通过训练模型优于使用不变描述符的模型，并证明其在三角晶格中晶体天鹅石的自旋晶体相变也得到准确复现。

May, 2023

本文提出了一种称为 QHNet 的 SE（3）- 等变网络，其利用创新的 QHNet 体系结构实现了效率和等变性，并在 MD17 数据集上表现出可比较于最先进方法的性能，同时消耗 50％的内存。

Jun, 2023

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

提出了一种新的 Autoregressive Neural TensorNet (ANTN) 架构， 该架构能够准确模拟具有规范化波函数的量子状态的样本，拥有更广泛的表现力和对称性， 并能够应用于科学模拟和机器学习等领域。

Apr, 2023

本研究提出了一种谐波分子表示学习方法，使用分子表面的 Laplace-Beltrami 特征将分子表示为二维黎曼曼 ifold 上的多分辨率表示，同时采用谐波消息传递方法实现更好的分子编码，达到了与当前模型相当的预测能力，优于最先进的深度学习模型的生物蛋白质口袋分类和刚性蛋白质对接挑战，展示了其在分子表示学习中的多功能性。

Mar, 2023

我们得出了一种新型的神经网络，叫做紧致矩阵量子群等变神经网络，它能够从具有基础量子对称性的数据中进行学习。我们应用 Woronowicz 的 Tannaka-Krein 对偶形式来描述出这些神经网络中所出现的权重矩阵，并对任意简单紧致矩阵量子群给出了权重矩阵的表征。我们展示了紧致矩阵量子群等变神经网络包含了所有紧致矩阵群等变神经网络的子类。此外，我们对许多之前在机器学习文献中未出现过的紧致矩阵群等变神经网络的权重矩阵进行了表征。

Nov, 2023