成果 | 陈基课题组与合作者开发分数量子霍尔态的深度学习量子蒙特卡洛算法

本研究由北京大学陈基副教授课题组联合中国科学院物理研究所和字节跳动研究部，开发了一种名为DeepHall的深度学习量子蒙特卡洛算法，用于精确模拟分数量子霍尔效应。该方法有效解决了朗道能级混合问题，显著提升了计算准确性。研究背景聚焦于强关联效应在凝聚态物理中的重要性，特别是分数量子霍尔效应中的电子相互作用和高朗道能级混合带来的挑战。研究目的是发展一种不依赖先验试探波函数且能处理大量高朗道能级混合的计算方法。通过实空间深度学习量子蒙特卡洛方法，团队构建了神经网络波函数框架DeepHall，并在1/3和2/5分数量子霍尔态下验证了其优越性。研究结论表明，DeepHall在强朗道能级混合条件下表现出更高的精度和更小的能隙值，为分数量子霍尔态及相关新奇物态的研究提供了有力工具。