Approximately-symmetric neural networks for quantum spin liquids

我们提出并分析了一系列近似对称的神经网络，用于解决量子自旋液体问题。这些定制的结构具有参数高效、可扩展性强的特点，并且在性能上明显优于现有的不考虑对称性的神经网络结构。利用混合场拓扑码模型，我们证明了我们的方法与最先进的张量网络和量子蒙特卡罗方法相比具有竞争力。此外，在最大的系统大小（N=480）下，我们的方法使我们能够探索哈密顿量的符号问题超出了量子蒙特卡罗和有限大小矩阵乘积状态的范围。该网络由一个完全对称的块和一个非对称块组成，我们认为后者学习了类似于准绝热延拓的基态变换。我们的工作为在可解释的神经网络结构中研究量子自旋液体问题铺平了道路。

本文旨在解决量子自旋液体问题中的神经网络建模问题，提出了一种参数高效、可扩展、对称性强的神经网络结构，将其应用于混合场托里克码模型，并与张量网络和量子蒙特卡罗方法进行比较。

本文提出的神经网络结构包含一个完全对称块和一个非对称块，后者学习类似于准绝热延拓的基态转化。该结构在大规模系统中表现出色，可以探索量子蒙特卡罗和有限大小矩阵积态无法达到的哈密顿量。

本文提出的神经网络结构在量子自旋液体问题中表现出色，与张量网络和量子蒙特卡罗方法相比具有更好的效果。实验使用了混合场托里克码模型，并在最大系统尺寸下进行了测试。该结构的非对称块学习类似于准绝热延拓的基态转化，具有一定的解释性。

最近的相关研究包括《Machine learning topological states》、《Neural-Network Quantum States, String-Bond States, and Chiral Topological States》等。