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。
Variational Monte Carlo
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。
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。