几何诱导的长程关联：扩张循环神经网络量子态深度解析
本文深度解析了一种新型扩张循环神经网络（Dilated RNN）架构，通过引入对数缩放的几何连接，打破了传统 RNN 在处理量子长程关联时的指数衰减限制。
神经网络量子态
克服自旋污染：面向强相关电子体系的自旋适配神经网络回流波函数 (SA-NNBF) 深度解析
本文深度解析了北京师范大学李振东教授团队提出的 SA-NNBF 框架，该方法通过在第二量子化下引入自旋适配技术，成功解决了神经网络量子态在处理过渡金属体系时的自旋污染问题。
自回归神经网络量子态（ARNN）引领的新一代选定配置相互作用（SCI）采样算法解析
本文深度解析了一种利用自回归神经网络（ARNN）指导选定配置相互作用（SCI）子空间扩张的新型算法，该方法通过高效采样与子空间对角化，成功在多个分子体系中实现了化学精度。
量子少体系统的新纪元：深度解析神经网络量子态（NNQS）与自适应 MALA 采样框架
本文深度解析了一种通用的神经网络框架，通过结合自适应 Metropolis-Adjusted Langevin 算法，成功解决了包含不同质量粒子、二体及三体相互作用的量子少体系统基态求解难题。
变分蒙特卡洛中的力与压力方差消减技术：从 nodal 奇异性到 IBP 变换的深度解析
本文深度解析了 David Linteau 等人关于在 VMC 中通过 Metropolis 接受率技巧、分部积分变换以及 Stein 控制变量法显著降低力与压力估值器方差的最新研究工作。
彻底解决 VMC 中的节点与支持度不匹配：Blurred Sampling 深度解析
本文深度解析了由 Shiwei Zhang 等人提出的 Blurred Sampling 方法，该方法通过后处理局部混合步骤，完美解决了变分蒙特卡洛（VMC）中因波函数节点导致的无限方差及离散空间中的支持度不匹配偏差问题。
基于神经网络回流变换的从头算固体计算：攻克强关联系统的扩展性瓶颈
本文深度解析了 Liu 和 Clark 团队将神经网络回流（NNBF）引入从头算周期性固体计算的突破性工作，重点探讨其两阶段剪枝算法如何解决组态空间爆炸难题。
基于Transformer神经网络量子态的自旋与费米子格点模型深度解析：以辅助层模型为例
本文深入探讨了基于Transformer架构的神经网络量子态在处理自旋和费米子复合格点模型上的创新应用，并详细分析了其在辅助层模型中的卓越性能和对相图的洞察。
深度解析：利用神经网络量子态 (NQS) 攻克二维哈伯德模型 —— Transformer 架构与 MARCH 优化算法的革命性突破
本文深度解析了由北京大学、字节跳动、清华大学及中科院物理所团队合作的最新成果：通过引入 Transformer 架构与 MARCH 优化算法，在二维哈伯德模型上实现了前所未有的模拟精度与系统规模。
简单费米子回流态：基于系统可改进张量分解的量子化学波函数新范式
本文深度解析了一种基于 CP 张量分解的新型费米子回流（Backflow）波函数，展示了其在强关联体系中优于传统 NQS 的精度与系统可改进性。
超越 VMC：Reiher 组揭示选定构型（NQS-SC）在神经网络量子态中的决定性优势
本文深度解析 ETH Zürich Markus Reiher 课题组最新工作，通过系统对比 NQS-VMC 与 NQS-SC，证明了基于选定构型的能量评估在精度、收敛性及处理强相关体系中的核心地位。
物质诱导的 $\mathbb{Z}_2$ 格点规范场论相互作用：从 DMRG 到神经网络量子态的深度解析
本文深度解析了最新关于 (2+1)D $\mathbb{Z}_2$ 格点规范场论的研究，揭示了动力学物质如何自然诱导强 plaquette 项，并探讨了 NQS 与 DMRG 在模拟大尺寸规范场论中的应用。