基于数据驱动的二维静态量子水滴及其在修正GD方程中波动传播的深度神经网络学习
内容提要
本文探讨了深度学习在量子系统中的应用，特别是深度卷积和递归网络的优势。研究提出了一种新的神经网络架构，能够有效模拟量子态，优化量子多体基态，并在多个量子系统中展现出优越的能量计算能力。此外，物理信息神经网络（PINNs）被用于解决非线性薛定谔方程，显示了其在识别潜力函数和提高计算效率方面的潜力。
延伸解读
深度学习架构在量子多体问题中的优势
文章指出，深度卷积和递归网络能有效表示高度纠缠的量子系统，其关键在于网络操作中信息的固有重用，这提高了纠缠容量，使其优于标准张量网络表示。这一特性为量子多体系统的模拟提供了新途径，并推动了神经网络量子态（NQSs）的发展。
神经网络量子态的优化策略与挑战
文章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。测试表明，该方法在三个典型量子多体系统上得到的基态能量低于或与传统VMC和DMRG相当，但在受挫型海森堡J1-J2模型中，复值NQS的符号结构难以优化，未来需研究符号结构优化。
物理信息神经网络在非线性波问题中的应用
文章采用PINNs研究数据驱动的局部化波解和参数发现，并通过XPINNs捕捉高阶局部化波解的完整动力行为，减少了计算复杂性，具有更快的收敛速度和更平滑的解。此外，修改后的PINNs（mPINNs）能直接识别一维和二维SNLSE的PT潜力函数，并分析了激活函数、网络结构和训练数据大小对性能的影响。
量子卷积神经网络的可解释性与泛化
文章从QCNNs中得出，量子数据可通过隐藏特征映射嵌入物理系统参数，其高性能归因于地面态嵌入产生的适合基函数集，汇集层负责选择有助于形成高性能决策边界的基函数。QCNN的泛化强依赖于嵌入类型，基于傅立叶基准的旋转特征映射需要精心设计，而地面态嵌入和物理信息模型在有限测量下表现更优。
Q&A
深度学习如何应用于量子系统的模拟？
深度学习通过深度卷积和递归网络有效表示高度纠缠的量子系统，能够优化量子多体基态并提高能量计算能力。
什么是Autoregressive Neural TensorNet (ANTN)架构？
ANTN架构是一种新的神经网络结构，能够准确模拟量子状态，具有更广泛的表现力和对称性。
物理信息神经网络（PINNs）在量子计算中有什么作用？
PINNs用于解决非线性薛定谔方程，能够识别潜力函数并提高计算效率。
量子卷积神经网络（QCNNs）在量子相识别中表现如何？
QCNNs在量子相识别方面表现出高性能，依赖于嵌入类型和基函数的选择。
修改版PINNs（mPINNs）有什么优势？
mPINNs能够直接识别一维和二维SNLSE的PT潜力函数，具有较高的准确性。
两阶段初值迭代神经网络（IINN）算法的特点是什么？
IINN算法由两个子网络组成，一个用于拟合初始值，另一个结合物理信息进行训练，显著提升了模拟的精确性和效率。
