量子多体优化的新范式：从强化学习视角重构神经网络量子态（NQS）
本文深度解析发表于近年的一篇突破性学术论文。该研究巧妙地将变分蒙特卡洛（VMC）中的能量最小化问题，形式化映射为强化学习中的优势策略梯度（Advantage Policy-Gradient）问题，并在此基础上提出了全新的近端波函数优化（PWO）算法。该算法彻底摆脱了传统二阶优化方法高昂的矩阵求逆代价，首次实现了在15亿参数级超大规模自回归网络上进行神经网络量子态（NQS）的稳定、高效优化。
Neural Quantum States
破解变分蒙特卡洛的“支持度失配”绝境：基于局部基矢旋转的量子动力学与基态优化新范式
本文深度解析中国科学院物理研究所向涛院士团队等发表的最新成果，探讨如何通过局部基矢旋转技术彻底解决变分蒙特卡洛（VMC）中因局部淬火导致的‘支持度失配’与动力学冻结难题，并将其成功应用于一维及二维量子多体系统动力学结构因子的精确计算与基态优化。
深度解析：利用神经量子态（NQS）求解光-物质耦合系统的基态与强关联效应
本文深度解析了利用多头 ResNet 结构的神经量子态（NQS）方法求解具有无限维局部玻色子自由度的光-物质耦合系统基态，并探讨了其在克服平均场近似局限、捕捉强自旋-光子关联方面的突破。
投影逆迭代 (PII)：神经网络量子态基态计算的特征值方法深度解析
本文深度解析投影逆迭代（Projected Inverse Iteration, PII）方法。该算法将神经网络量子态（NQS）的基态求解重新表述为特征值问题，成功克服了传统随机重构（SR）在小能隙、强关联体系中收敛缓慢的致命瓶颈，为多体物理和量子化学计算开辟了全新的二阶优化范式。
无偏差含时变分蒙特卡洛（t-VMC）：深度解析 Born 分布采样缺陷及其张量交叉插值解决方案
本文深度解析了一种通过自归一化重要性采样（SNIS）和张量交叉插值（TCI）消除含时变分蒙特卡洛（t-VMC）中估计偏差的新方法，特别探讨了其在神经量子态（NQS）实时演化中的应用。
神经网络量子态突破 3D 极限：1000 比特实时动力学与 Kibble-Zurek 机制深度解析
本文探讨了利用残差 3D 卷积神经网络量子态 (NQS) 在 1000 个量子比特规模下模拟 3D 横向场伊辛模型实时动力学的突破性进展，重点分析了其对 3D Kibble-Zurek 机制及其对数修正项的数值验证。