AI 與世界的難題 · 量子物理與量子運算 · arXiv · 2026-10-21
具可學習軌域對矩陣因子之神經網路分數量子霍爾態:兼顧物理先驗與彈性
原標題: Neural Network Fractional Quantum Hall States with Learnable Orbital Pair Matrix Factors: Balancing Physical Priors and Flexibility
神經網路分數量子霍爾態有望捕捉藍道能階混合,但納入物理先驗一直難以與網路彈性兼顧。本文提出的軌域對矩陣因子(MHPO-M)擬設,以同時取決於電子組態與軌域的可學習對因子,取代固定的 Laughlin 結構。在 ν=1/5、1/3 與 2/5 各情況下,它在受測變體中達到最低的變分能量;因式化的軌域讀出則可擴展至 35 個電子,其能量與從三個藍道能階精確對角化推得的趨勢相當。