IA e os Problemas Difíceis do Mundo · Física quântica e computação quântica · arXiv · 2026-10-21
Estados de Hall quântico fracionário em redes neurais com fatores de matriz de pares orbitais aprendíveis: equilibrando priors físicos e flexibilidade
Título original: Neural Network Fractional Quantum Hall States with Learnable Orbital Pair Matrix Factors: Balancing Physical Priors and Flexibility
Estados de Hall quântico fracionário com redes neurais prometem capturar a mistura de níveis de Landau, mas incorporar priors físicos tem sido difícil de conciliar com a flexibilidade da rede. O ansatz proposto de fator de matriz de pares orbitais (MHPO-M) substitui a estrutura fixa de Laughlin por fatores de pares aprendíveis que dependem tanto das configurações eletrônicas quanto dos orbitais. Para ν=1/5, 1/3 e 2/5, ele alcança a menor energia variacional entre as variantes testadas, e uma leitura orbital fatorizada permite escalar até 35 elétrons, com energias competitivas com as tendências inferidas da diagonalização exata com três níveis de Landau.