在这项工作中，我们展示了对于构建正交等变模型和学习图中节点位置编码等任务，标志等变性受到理论上的限制，然而我们通过开发新颖的标志等变神经网络架构来展示了标志等变性的好处。

Dec, 2023

本文提出了一种基于 Fermionic 神经网络和排列等变结构的方法用于解决多电子 Schrödinger 方程，使用分块反对称构建代替 Slater 行列式以减小计算成本。该方法通过连续逼近器实现波函数的基态表示。

May, 2022

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

探讨了排列不变、等变、协变函数和反对称函数在量子物理、计算机视觉等领域的重要性， 提出了基于单个广义 Slater 行列式的反对称多项式逼近方法，并给出了等变多层感知器的明确普适性证明。

Jul, 2020

本研究提出了一种通过学习普适的波函数以很高的精度逼近多电子体系基态的方法，并通过采用 Pfaffians 而非 Slater determinants，成功解决了在任意电子系统环境下强制实现反对称性的挑战，从而在多个系统中以化学精度计算基态和电离能，并且比以前的泛化神经波函数减小了能量误差。

May, 2024

本文提出了一种显式反对称通用神经网络层来替代高精度费米核（FermiNet）的整个反对称层，即 FermiNet-GA 结构，同时研究了差不多完全推导出基态能，即 full single-determinant FermiNet 模式以及另一个 FA 层，但发现这两者并没有超过 FermiNet 模式，说明反对称性的总和乘积是限制 FermiNet 的关键因素之一。

Dec, 2021

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

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

我们提出旋转网络的使用，它是一种在群变换下保持不变的有向张量网络，用于设计具有自旋旋转对称性的参数化等变量量子电路。我们证明了该构建与其他已知构建的数学等价性，并且在量子硬件上更直接实现。我们通过求解一维三角晶格和 Kagome 晶格上具有 SU (2) 对称性的海森堡模型的基态问题来测试我们构建的电路的有效性，并且结果表明我们的等变电路提升了量子变分算法的性能，暗示了对其他实际问题的更广泛适用性。

Sep, 2023

这项研究提出了与平面 $p4m$ 对称性相等的量子卷积神经网络（EquivQCNNs），用于图像分类，并在不同的用例中进行测试，证明了等变性促进了模型更好的泛化能力。

Oct, 2023