Новый взгляд на нейронные квантовые состояния через обучение с подкреплением

Исследователи пересмотрели подход к нейронным квантовым состояниям (NQS), предложив использовать методы обучения с подкреплением (RL) для оптимизации авторегрессионных моделей. Новый метод позволяет эффективно аппроксимировать квантовые волновые функции многих тел, решая проблему сложности обучения, характерную для традиционных подходов, и обеспечивая точную выборку из распределения Борна без ограничений, присущих методам цепей Маркова.

Нейронные квантовые состояния стали мощным инструментом в квантовой физике благодаря своей масштабируемости. Авторегрессионные модели особенно ценятся за возможность независимого сэмплирования, что исключает ошибки автокорреляции и проблемы смешивания, типичные для алгоритмов Монте-Карло. Однако оптимизация таких моделей часто сталкивается с вычислительными барьерами, ограничивающими их применение для сложных квантовых систем.

Авторы работы демонстрируют, что переформулировка задачи поиска основного состояния квантовой системы как задачи обучения с подкреплением позволяет стабилизировать процесс обучения. Это открывает возможности для более точного моделирования многочастичных систем, где классические методы сталкиваются с «проклятием размерности». Подход объединяет архитектурные преимущества нейросетей с математическим аппаратом RL, что делает процесс поиска энергетического минимума более устойчивым и эффективным.

Ключевые факты

• Нейронные квантовые состояния (NQS) используются для аппроксимации волновых функций квантовых систем многих тел.
• Авторегрессионные модели позволяют проводить точное независимое сэмплирование из распределения Борна.
• Использование методов обучения с подкреплением (RL) устраняет проблемы смешивания и автокорреляции, свойственные методам Монте-Карло на цепях Маркова.
• Предложенный метод повышает стабильность оптимизации при поиске основного состояния сложных квантовых систем.