← 最新论文
⚛️ 量子物理

High-Accuracy Neural-Network Quantum States via Randomized Real-Time Dynamics

本文介绍了一种名为“动力学平均”(dynamical averaging)的新型算法,该算法利用随机实时演化,在神经网络量子态的任意基态可观物理量上实现了二次误差抑制,从而在无需额外最小化或增加模型复杂度的前提下,达到了与能量收敛相匹配的高精度。

原作者: John M. Martyn, Rod Rofougaran, Samuel Stein, Di Luo

发布于 2026-11-20
📖 1 分钟阅读🧠 深度阅读

原作者: John M. Martyn, Rod Rofougaran, Samuel Stein, Di Luo

原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

在现代物理学的广袤领域中,科学家们正不断尝试理解微小粒子在复杂的群体中是如何表现的。这些群体被称为量子多体系统,它们是构成从电子产品中的材料到生命化学的一切的基础。为了预测这些系统的运作方式,研究人员使用强大的计算机模型,这些模型充当了物理世界的数字孪生体。其中一个最有前景的工具是被称为神经网络量子态的方法。可以将它们想象成高度复杂的计算机程序,通过学习成千上万张照片来学习如何描述一个量子系统的形状,就像学生通过观察照片来识别一张脸一样。目标始终如一:寻找系统的基态,即其最稳定、能量最低的构型。了解这一状态使科学家能够预测材料对热量、磁性或电性的反应。然而,尽管这些数字孪生体功能强大,却有一个顽固的缺陷。虽然它们擅长计算系统的总能量,但在预测其他重要细节(例如粒子如何在距离上相互影响或材料如何被磁化)时却往往表现不佳。这就像是一份天气预报可以完美预测大气中的总热量,却无法告诉你你所在的特定城镇是会下雨还是晴天。

这种差异长期以来一直是研究人员的瓶颈。问题的根源在于这些计算机模型学习的方式。当模型非常接近正确答案时,它对总能量的估计会提高得极其迅速,每迈出一小步,误差就会缩小一倍。但对于其他测量值(如粒子之间的相关性),改进则要慢得多,仅缩小一倍。这意味着,即使模型在寻找能量方面近乎完美,在试图描述科学家真正关心的物理特性时,仍然可能存在显著偏差。多年来,传统的观点认为,解决这一问题的唯一方法是让计算机模型变得更加复杂,或者强迫它更努力地工作,从而需要更多的计算时间和算力来挤出更好的结果。

一支研究团队现在表明,这种传统智慧并非唯一的出路。在一项新研究中,他们引入了一种称为“动力学平均”(dynamical averaging)的技术,该技术在不增加模型复杂度或不要求进行更多能量计算的情况下,提高了这些预测的准确性。研究人员并没有试图强迫模型达到完美,而是让模型在时间中演化,但加入了一个转折:他们让模型在随机、不可预测的时间跨度内向前和向后运行。通过对所有这些不同时间旅程的结果取平均值,他们发现物理预测中的误差大幅下降。该方法通过利用量子力学的一个基本特征发挥作用:虽然模型的描述是系统的单个快照,但真实的物理状态更像是各种可能性的融合。通过在时间中随机移动系统,研究人员有效地洗去了由模型的微小错误所造成的“噪声”,从而留下了一个更清晰的真实物理状态图像。

研究人员在几种不同类型的磁性模型上测试了这个想法,包括包含十二个自旋的模型以及更大的三十六个自旋的网格。在每种情况下,新方法都优于标准方法。当他们将该技术应用于一维粒子链模型时,他们观察到预测粒子间连接性的误差比标准方法降低了十倍。在二维网格中,改进更为显著,新方法比以前更快地收敛到正确答案。至关重要的是,这种改进是在没有任何额外的能量最小化工作或增加计算机模型规模的情况下实现的。研究人员从数学上证明了,这种随机时间演化过程抑制误差的方式,与能量计算的快速收敛相匹配,有效地缩小了能量准确性与物理准确性之间的差距。

这一发现最令人惊讶的方面之一是,它不需要计算机去解决模拟量子系统精确、无限时间演化的这一不可能的任务。研究人员开发了两种使用这一想法的方法。第一种涉及实际模拟系统在随机间隔内随时间移动并对结果取平均值。第二种则更为高效,它使用一种数学捷径来估算该平均值,而无需运行完整的模拟。这个捷径通过观察系统的能量与其物理特性如何相互作用,允许计算机计算出一个修正因子,从而消除误差。这种方法对于运行完整时间模拟成本过高的较大系统特别有用。结果表明,时间演化——通常被视为物理学中的一个独立挑战——可以被重新利用为一个强大的优化工具。通过让系统在时间中随机游走并对结果取平均值,研究人员找到了一种方法,能从以前仅被认为只能提供粗略估计的模型中提取高精度的答案。

这项工作的意义不仅限于这些特定的模型。该方法依赖于“通过对某些操作进行随机化来抵消误差”的想法,这一概念植根于量子信息论,但很少应用于这种类型的经典模拟。研究人员指出,虽然他们的方法是一种误差缓解(error mitigation)形式——意味着它减少了错误而非完全消除错误——但它在准确性方面实现了巨大的飞跃。这表明,未来用于模拟量子材料的算法可能会受益于结合这些随机时间步,从而将模型的潜在弱点转化为优势。这项研究还为将类似想法应用于其他类型的量子模型,甚至用于寻找激发态(即对于理解材料如何响应光或热至关重要的更高能量构型)开辟了大门。通过展示简单的随机化行为如何显著提高物理预测的保真度,这项工作为那些试图理解复杂且不可见的量子物质世界的科学家们提供了一个全新的工具。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →