深度解析高阶 Hopfield 模型的检索动力学：对角相互作用的 DMFT 视角
本文利用动力学平均场理论（DMFT）探讨了高阶 Hopfield 模型中对角相互作用对检索性能的影响，揭示了动力学减速现象的物理本质。
神经网络
超越经典极限：神经网络量子态在非稳定态原子核系统中的基准测试与深度解析
本文深度解析了一篇前沿研究，探讨了神经网络量子态（NQS）如何表征原子核系统的基态，并发现其学习难度与量子态的非稳定性（quantum magic）直接相关。
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。
神经网络算子量子态：量子动力学通用的新型AI框架深度解析
本文深入解析了一项开创性的研究，介绍了神经网络算子量子态（NOQS）框架，该框架结合了Transformer和傅里叶神经网络算子，首次实现了对任意时间依赖驱动协议下量子多体动力学算子的学习，为量子模拟和控制带来了范式转变。
深度解析：神经网络量子嵌入求解器——强关联材料模拟的革新之路
本文深度解析了发表于2026年的前沿工作，介绍了一种基于合成数据训练的神经网络杂质求解器（GNet），该方法在保持量化精度的同时，将强关联材料模拟的速度提升了数个数量级。