紧凑型自旋-电荷分离神经量子态：价键固体态与掺杂系统的物理启发式深度建模
本文深度解析了由 Ang-Kun Wu 等人提出的“可解点引导”神经量子态架构，探讨了如何通过物理启发的卷积、池化及自旋-空穴分离设计，在极低参数量下精确描述 1D 价键固体态及其掺杂演化。
本文深度解析了由 Ang-Kun Wu 等人提出的“可解点引导”神经量子态架构，探讨了如何通过物理启发的卷积、池化及自旋-空穴分离设计，在极低参数量下精确描述 1D 价键固体态及其掺杂演化。
本文深度解析了 Luhang Yang 与 Elbio Dagotto 的最新研究，探讨了在双足 t-J 梯子模型中通过引入次近邻跃迁项诱导自旋-电荷分离（SCS）的物理机制及数值模拟方法。