# 神经量子态

混合量子-经典蒙特卡洛此前受限于反复处理量子测量数据的巨大经典计算开销，硬件演示只到16量子比特。研究把量子测量压缩成可微的机器学习代理模型，直接给出蒙特卡洛所需的波函数重叠及其导数，在谷歌Willow处理器上把端到端计算加速数个量级，使氢链和铁硫簇在最多40量子比特上达到化学精度，规模超过此前硬件演示的两倍。

混合量子-经典蒙特卡洛此前受限于反复处理量子测量数据的巨大经典计算开销，硬件演示只到16量子比特。研究把量子测量压缩成可微的机器学习代理模型，直接给出蒙特卡洛所需的波函数重叠及其导数，在谷歌Willow处理器上把端到端计算加速数个量级，使氢链和铁硫簇在最多40量子比特上达到化学精度，规模超过此前硬件演示的两倍。

该工作为基于Transformer的神经量子态在上下文学习（ICL）下的泛化行为建立理论框架：证明存在一种Transformer架构，其逐点预测误差（MSE）随上下文样本数与网络深度反比下降，且达到该保证所需的深度仅随系统规模（连续系统的粒子数或离散系统的qudit数）线性增长；作者进一步将分析扩展到以秩一密度算子表示的完整量子态，在连续与离散域上给出受物理约束的MSE泛化界，并用数值模拟验证了理论预测的标度行为。

该工作为基于Transformer的神经量子态在上下文学习（ICL）下的泛化行为建立理论框架：证明存在一种Transformer架构，其逐点预测误差（MSE）随上下文样本数与网络深度反比下降，且达到该保证所需的深度仅随系统规模（连续系统的粒子数或离散系统的qudit数）线性增长；作者进一步将分析扩展到以秩一密度算子表示的完整量子态，在连续与离散域上给出受物理约束的MSE泛化界，并用数值模拟验证了理论预测的标度行为。