深度解析：利用神经网络自回归控制变量（NCV）攻克量子蒙特卡洛负符号问题
本文深入剖析基于自回归Transformer构建严格零均值控制变量的方法。该方法结合重求和随机级数展开（RSSE）骨架与扭曲通道更新，在受挫三角格点海森堡模型上实现了负符号方差的指数级降低，为攻克多体物理负符号问题开辟了全新的非侵入式路径。
Transformer
量子计算与AI的深度共盟：QiankunNet-QSCI 解析强关联电子结构的全新范式
本文深度解析了发表于最新研究中的 QiankunNet-QSCI 混合框架。该框架将“祖冲之 3.1 号”超导量子处理器上的高效量子组态采样，与经典物理启发式 Transformer 神经网络完美协同，在 40 量子比特的铁硫簇体系中实现了化学精度，并成功将计算拓展至 146 量子比特的固氮酶 P 簇。
排序学习（Learning to Rank）重塑选择性组态相互作用：RCI 框架深度解析与量子化学应用
本文深度解析 RCI (Ranking Configuration Interaction) 框架，探讨其如何将行列式选择转化为成对排序问题，并结合 Transformer 架构显著提升 SCI 的收敛速度与波函数紧凑性。
巨正则系综下的神经网络量子态：基于Transformer的连续空间玻色子系统深度解析
本文深度解析了由Anton Hul等人提出的利用Transformer架构在巨正则系综下模拟连续空间玻色子系统的方法，该研究突破了固定粒子数的限制，为量子相变与热力学稳定性研究提供了新工具。
GMT 深度解析：几何多网格 Transformer 开启微结构均质化模拟的新纪元
本文深度解析了 GMT 框架，这是一种结合了几何多网格 (GMG) 理论与 Point Transformer V3 的高保真微分求解器，在微结构均质化任务中实现了 160 倍的加速与 10^-5 的工程级精度。
超越变分偏置：利用 Transformer 回流波函数解析哈伯德模型中的纠缠序
本文深度解析 Viteritti 等人的研究，探讨如何利用 Transformer 回流波函数克服神经网络量子态中的变分偏置，从而揭示哈伯德模型中超导与条纹序共存的本质。
MORPH：跨维度偏微分方程(PDE)基础模型——科学计算中的通用“瑞士军刀”
本文深度解析了由洛斯阿拉莫斯国家实验室开发的 MORPH 模型，该模型通过创新的 4D 轴向注意力和统一物理张量格式，实现了对 1D-3D 任意模态 PDE 数据的高效建模与跨领域迁移。
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。