神经网络量子态

神经网络量子态（NQS或NNQS）是一类以人工神经网络为参数的通用变异量子态。它由物理学家GiuseppeCarleo和MatthiasTroyer于2017年首次提出，用于近似多体量子系统的波函数。给定一个多体量子态{displaystyleF(s_{1}ldotss_{N};W)}是由参数（权重）组成的人工神经网络。是一个参数（权重）的人工神经网络{displaystyles_{1}ldotss_{N}}）和一个对应于波函数振幅的复值输出。)和一个对应于波函数振幅的复值输出。这种变异形式与特定的随机学习方法结合使用，以近似感兴趣的量子态。学习基态波函数NQS的一个常见应用是寻找一个给定哈密尔顿的基态波函数的近似表示方法.在这种情况下，学习过程包括寻找最佳的神经网络权重，使变异能量最小化因为对于一般的人工神经网络来说，计算期望值是一个指数级的昂贵操作，在{displaystyleN}中的指数级代价。

因此，基于蒙特卡洛方法等的随机技术被用来估计类似于在变异蒙特卡洛中所做的，例如，请看一篇评论。更具体地说，一组通常使用随机梯度下降法。当神经网络参数在学习过程的每一步被更新时，一组新的样本在一个类似于无监督学习的迭代过程中产生。

量子波函数的神经网络表示与基于张量网络的变量量子态有一些相似之处。例如，与矩阵积状态的联系已经建立。这些研究表明，NQS支持纠缠熵的体积律扩展。一般来说，给定一个具有全连接权重的NQS，在更坏的情况下，它对应于一个指数级大键维的矩阵积态，在{displaystyleN}。