神经张量网络态（νTNS）：结合深度神经网络与张量网络的强关联量子态表示方法
原帖
**利用深度神经网络解纠缠张量网络态**
_Disentangling Tensor Network States with Deep Neural Network_
> 研究团队提出了一种名为神经张量网络态（νTNS）的变分多体波函数拟设，该方法将深度神经网络与张量网络架构相结合。在νTNS框架中，神经网络作为波函数的解纠缠器，将物理自由度转化为纠缠较少的重整化变量，然后由回流张量网络进行高效编码。这种构造为强关联量子态提供了一种紧凑而高表现力的表示方法。利用卷积神经网络与矩阵乘积态的具体实现，研究者在正方晶格高度受挫点（J2/J1=0.5）的自旋1/2 J1-J2海森堡模型上，针对最大达20×20的周期性边界条件系统，获得了最先进的变分能量。对自旋、二聚体和元胞关联的有限尺寸标度分析显示其呈幂律衰减，无磁性或价键长程有序，与该点的无能隙量子自旋液体基态一致。νTNS框架灵活且易于扩展至其他神经和张量网络结构，为研究强关联量子多体系统提供了通用平台。
**来源信息**
- **来源**：字节 Seed：Research Papers（网页内嵌数据）
- **分类**：论文
- **原文**：[打开原文](https://arxiv.org/pdf/2603.14425)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
研究团队提出了一种名为神经张量网络态（νTNS）的变分多体波函数拟设，该方法将深度神经网络与张量网络架构相结合。神经网络作为解纠缠器，将物理自由度转化为纠缠较少的重整化变量，然后由回流张量网络进行高效编码。该方法在自旋1/2 J1-J2海森堡模型上获得了最先进的变分能量。
答案说明
νTNS是一种结合深度神经网络与张量网络的变分多体波函数拟设，为强关联量子态提供紧凑而高表现力的表示方法，并在特定模型上取得了最优变分能量结果。
这篇帖子回答的问题
- 什么是神经张量网络态（νTNS）？
- νTNS在自旋1/2 J1-J2海森堡模型上的表现如何？
核心观点
- νTNS框架将深度神经网络作为解纠缠器，将物理自由度转化为纠缠较少的重整化变量，再由回流张量网络高效编码。
- 该方法在自旋1/2 J1-J2海森堡模型（J2/J1=0.5）上，针对最大20×20周期性边界条件系统获得了最先进的变分能量。
FAQ
- Q: νTNS框架的核心思想是什么？
- A: νTNS的核心思想是将深度神经网络作为波函数的解纠缠器，将物理自由度转化为纠缠较少的重整化变量，然后由回流张量网络进行高效编码，从而为强关联量子态提供紧凑而高表现力的表示方法。
- Q: 该研究的实验结果与什么物理图像一致？
- A: 有限尺寸标度分析显示关联呈幂律衰减，无磁性或价键长程有序，与无能隙量子自旋液体基态一致。
关键实体
- 神经张量网络态（νTNS）
- 深度神经网络
- 张量网络
- 自旋1/2 J1-J2海森堡模型