AI与世界难题 · 量子物理与量子计算 · arXiv · 2026-10-21
具有可学习轨道对矩阵因子的神经网络分数量子霍尔态：在物理先验与灵活性之间取得平衡
原标题: Neural Network Fractional Quantum Hall States with Learnable Orbital Pair Matrix Factors: Balancing Physical Priors and Flexibility
神经网络分数量子霍尔态有望捕捉朗道能级混合，但如何纳入物理先验又兼顾网络灵活性一直难以两全。所提出的轨道对矩阵因子（MHPO-M）拟设用可学习的、同时依赖于电子组态和轨道的配对因子取代了固定的 Laughlin 结构。在 ν=1/5、1/3 和 2/5 下，它在受测变体中取得了最低的变分能量；因子化的轨道读出使其可扩展到 35 个电子，其能量与由三个朗道能级精确对角化推断的趋势相当。