克服实时动力学正负号问题：基于弱耦合展开与张量交叉插值（TCI）的非平衡态 DMFT 杂质求解器深析
本文深入解析了最新提出的基于弱耦合展开与张量交叉插值（TCI）的非平衡态 DMFT 杂质求解器。该方法将高维 Keldysh 路径积分转换为低秩张量列车形式，在无随机采样的前提下彻底规避了实时演化中的动力学正负号问题。
杂质求解器
深度解析：利用神经网络作为量子嵌入方法中杂质求解器的低成本替代方案
本文深度解析了由 Rohan Nain 等人提出的最新研究，探讨如何通过仅 500 个训练样本训练的神经网络，在动力学平均场理论（DMFT）中替代昂贵的 CT-QMC 杂质求解器，实现四个数量级的加速并保持物理可靠性。