走向稳定与高精度的电子动力学模拟：基于神经网络的时变变分蒙特卡洛（NB-tVMC）方法深度解析
本文深度解析了发表于2026年的前沿工作：基于神经网络基组的时变变分蒙特卡洛（NB-tVMC）框架。该方法通过在预训练的定制化流形上限制实数时间演化，成功克服了全参数神经网络波函数在实时间演化中的数值不稳定难题，为强场和多体电子动力学模拟开辟了全新路径。
神经网络波函数
无基组神经网络 Geminal 与 Jastrow 因子：变分蒙特卡洛波函数构造的深度解析
本文解析了 Jan Kessler 与 Thomas D. Kühne 开发的一种新型 Basis-free JAGP 波函数架构，该架构利用前馈神经网络取代传统基组，成功分离并量化了节点误差与动态相关误差。
深度解析：利用神经网络波函数揭示2D自旋失配费米气体中的奇异配对态
本文深度解析了发表在 arXiv:2604.24883 上的研究工作。该研究利用基于 AGPs FermiNet 的神经网络变分蒙特卡洛方法，首次在二维自旋失配费米气体中发现了受限范围内的库珀对晶体相，并揭示了从 FFLO 到 BEC 极限的完整相图。
动量稳定性与自适应控制：变分蒙特卡洛中 PRIME-SR 算法的深度解析
本文深度解析变分蒙特卡洛（VMC）中 SPRING 算法的动量失稳机制，并详细介绍一种无需调参的自适应动量优化方法 PRIME-SR。
量子化学的新纪元：Excited Pfaffians 深度解析——近常数缩放的激发态神经网络波函数
本文深度解析了由 Nicholas Gao 等人提出的 Excited Pfaffians 方法，该工作通过多态重要性采样（MSIS）和参数高效的 Pfaffian 架构，实现了激发态计算在状态数量上的近常数缩放，为跨结构、跨状态的通用波函数学习奠定了基础。
神经网络波函数在 µSR 谱学中的应用：超越 DFT 的量子自旋探针计算深度解析
本文深度解析了利用神经网络波函数（Psiformer）结合变分蒙特卡洛方法，在考虑μ子量子效应的前提下，精确计算μ子超精细耦合常数的突破性进展。