تاثیر مدل‌سازی شرطی برای یک حالت کوانتومی خودبازگشت جهانی

[1] دانیل پی آرواس، ارز برگ، استیون کیولسون و سرینیواس راگو. مدل هابارد Annual Review of Condensed Matter Physics, 13 (1): 239–274, March 2022. ISSN 1947-5454, 1947-5462. 10.1146/annurev-conmatphys-031620-102024.
https://doi.org/​10.1146/annurev-conmatphys-031620-102024

[2] توماس دی. بارت، الکسی مالیشف، و آی‌آی لووفسکی. توابع موج شبکه عصبی خودرگرسیون برای شیمی کوانتومی از ابتدا Nature Machine Intelligence, 4 (4): 351–358, April 2022. ISSN 2522-5839. 10.1038/​s42256-022-00461-z.
https://doi.org/​10.1038/​s42256-022-00461-z

[3] سم باند تیلور، آدام لیچ، یانگ لانگ و کریس جی. ویلکاکس. مدل‌سازی عمیق مولد: بررسی مقایسه‌ای VAE، GAN، جریان‌های عادی، مدل‌های مبتنی بر انرژی و خودرگرسیون. IEEE Transactions on Pattern Analysis and Machine Intelligence, 44 (11): 7327–7347, November 2022. ISSN 1939-3539. 10.1109/​TPAMI.2021.3116668.
https://doi.org/​10.1109/​TPAMI.2021.3116668

[4] آرتم بورین و دیمیتری ا. آبانین. قدرت تقریبی آنساتز یادگیری ماشینی برای حالات چند جسمی کوانتومی Physical Review B, 101 (19): 195141، مه 2020. 10.1103/​PhysRevB.101.195141.
https://doi.org/​10.1103/​PhysRevB.101.195141

[5] سرگئی براوی، جوزپه کارلئو، دیوید گوست و یینچن لیو. یک زنجیره مارکوف که به سرعت در حال مخلوط شدن از هر سیستم چند جسمی کوانتومی شکافدار است. Quantum, 7: 1173, نوامبر 2023. 10.22331/​q-2023-11-07-1173.
https:/​/​doi.org/​10.22331/​q-2023-11-07-1173

[6] مارین بوکوف، مارکوس اشمیت و ماکسیم دوپون. یادگیری حالت پایه یک هامیلتونین کوانتومی غیراستکواستیک در یک چشم انداز شبکه عصبی ناهموار. SciPost Physics, 10 (6): 147, ژوئن 2021. ISSN 2542-4653. 10.21468/​SciPostPhys.10.6.147.
https://doi.org/​10.21468/​SciPostPhys.10.6.147

[7] جوزپه کارلئو و ماتیاس ترویر. حل مسئله چند جسمی کوانتومی با شبکه های عصبی مصنوعی Science, 355 (6325): 602-606, فوریه 2017. 10.1126/​science.aag2302.
https://doi.org/​10.1126/​science.aag2302

[8] جوزپه کارلئو، کنی چو، دامیان هافمن، جیمز ای تی اسمیت، تام وسترهات، فابین آلت، امیلی جی دیویس، استاوروس افتیمیو، ایوان گلاسر، شنگ-هسوان لین، مارتا مائوری، گوگلیلمو مازولا، کریستین بی مندل، اورت ون نیوون Ossian O'Reilly، Hugo Théveniaut، Giacomo Torlai، Filippo Vicentini و Alexander Wietek. NetKet: ابزار یادگیری ماشینی برای سیستم های کوانتومی چند بدنه. SoftwareX, 10: 100311, July 2019. ISSN 2352-7110. 10.1016/​j.softx.2019.100311.
https://doi.org/​10.1016/​j.softx.2019.100311

[9] خوان کاراسکیلا، جاکومو تورلای، راجر جی. ملکو و لئاندرو آئولیتا. بازسازی حالات کوانتومی با مدل های مولد هوش ماشین طبیعت، 1 (3): 155–161، مارس 2019. ISSN 2522-5839. 10.1038/​s42256-019-0028-1.
https:/​/​doi.org/​10.1038/​s42256-019-0028-1

[10] جیووانی کاتالدی، اشکان عابدی، جوزپه ماگنیفیکو، سیمونه نوتارنیکولا، نیکولا دالا پوزا، ویتوریو جووانتی و سیمون مونتانژرو. منحنی هیلبرت در مقابل فضای هیلبرت: استفاده از پوشش دو بعدی فراکتال برای افزایش کارایی شبکه تانسور. Quantum, 2: 5, سپتامبر 556. 2021/​q-10.22331-2021-09-29.
https:/​/​doi.org/​10.22331/​q-2021-09-29-556

[11] آئو چن و مارکوس هیل. بهینه سازی کارآمد حالات کوانتومی عصبی عمیق به سمت دقت ماشین، فوریه 2023.
arXiv: 2302.01941

[12] ژو چن، لیکر نیوهاوس، ادی چن، دی لو و مارین سولیاسیچ. ANTN: پل زدن شبکه‌های عصبی خودرگرسیون و شبکه‌های تانسور برای شبیه‌سازی چند بدنه کوانتومی. در سی و هفتمین کنفرانس سیستم های پردازش اطلاعات عصبی، نوامبر 2023.

[13] کنی چو، تیتوس نوپرت و جوزپه کارلئو. مدل ناامید شده دو بعدی $J_{1}-J_{2}$ با حالت های کوانتومی شبکه عصبی مورد مطالعه قرار گرفت. بررسی فیزیکی B، 100 (12): 125124، سپتامبر 2019. 10.1103/​PhysRevB.100.125124.
https://doi.org/​10.1103/​PhysRevB.100.125124

[14] کنی چو، آنتونیو مزاکاپو و جوزپه کارلئو. حالت های شبکه عصبی فرمیونی برای ساختار الکترونیکی از ابتدا Nature Communications, 11 (1): 2368, May 2020. ISSN 2041-1723. 10.1038/​s41467-020-15724-9.
https:/​/​doi.org/​10.1038/​s41467-020-15724-9

[15] استفن آر. کلارک. یکپارچه سازی حالت های کوانتومی شبکه عصبی و حالت های محصول همبسته از طریق شبکه های تانسور. مجله فیزیک الف: ریاضی و نظری، 51 (13): 135301، فوریه 2018. ISSN 1751-8121. 10.1088/1751-8121/aaaaf2.
https://doi.org/​10.1088/​1751-8121/​aaaaf2

[16] دونگ لینگ دنگ، شیائوپنگ لی و اس داس سرما. درهم تنیدگی کوانتومی در حالت های شبکه عصبی Physical Review X, 7 (2): 021021, May 2017. 10.1103/​PhysRevX.7.021021.
https://doi.org/​10.1103/​PhysRevX.7.021021

[17] کائلان دوناتلا، زکاری دنیس، الکساندر لو بوته و کریستیانو سیوتی. دینامیک با حالت های کوانتومی عصبی اتورگرسیو: کاربرد در دینامیک خاموش کردن بحرانی بررسی فیزیکی A، 108 (2): 022210، اوت 2023. 10.1103/​PhysRevA.108.022210.
https://doi.org/​10.1103/​PhysRevA.108.022210

[18] J. Eisert، M. Cramer، و MB Plenio. قوانین ناحیه برای آنتروپی درهم تنیدگی بررسی‌های فیزیک مدرن، 82 (1): 277–306، فوریه 2010. 10.1103/​RevModPhys.82.277.
https://doi.org/​10.1103/​RevModPhys.82.277

[19] جی ام فاستر و پسران اس اف. رویه تعامل پیکربندی متعارف. Reviews of Modern Physics, 32 (2): 300–302, April 1960. 10.1103/​RevModPhys.32.300.
https://doi.org/​10.1103/​RevModPhys.32.300

[20] کلمنس جولیانی، فیلیپو ویسنتینی، ریکاردو روسی و جوزپه کارلئو. یادگیری حالت های پایه همیلتونی های کوانتومی شکاف دار با روش های هسته Quantum, 7: 1096, آگوست 2023. 10.22331/​q-2023-08-29-1096.
https:/​/​doi.org/​10.22331/​q-2023-08-29-1096

[21] آلدو گلیلمو، یانیک راث، گابور کسانی، الساندرو دی ویتا، و جورج اچ. بوث. حالات فرآیند گاوسی: نمایش داده محور فیزیک کوانتومی چند جسمی. بررسی فیزیکی X، 10 (4): 041026، نوامبر 2020. 10.1103/​PhysRevX.10.041026.
https://doi.org/​10.1103/​PhysRevX.10.041026

[22] یوهانس هاچمن، ویم کاردون، و گارنت کین لیک چان. همبستگی چند مرجع در مولکول های بلند با گروه نرمال سازی مجدد ماتریس چگالی پوسته پوسته شدن درجه دوم. مجله فیزیک شیمی، 125 (14): 144101، اکتبر 2006. ISSN 0021-9606. 10.1063/1.2345196.
https://doi.org/​10.1063/​1.2345196

[23] یان هرمان، زنو شاتزل و فرانک نوئه. حل شبکه عصبی عمیق معادله شرودینگر الکترونیکی. Nature Chemistry، 12 (10): 891-897، اکتبر 2020. ISSN 1755-4349. 10.1038/​s41557-020-0544-y.
https://doi.org/​10.1038/​s41557-020-0544-y

[24] یان هرمان، جیمز اسپنسر، کنی چو، آنتونیو مزاکاپو، WMC Foulkes، دیوید فاو، جوزپه کارلئو و فرانک نوئه. شیمی کوانتومی از ابتدا با توابع موج شبکه عصبی. Nature Reviews Chemistry، 7 (10): 692-709، اکتبر 2023. ISSN 2397-3358. 10.1038/​s41570-023-00516-8.
https:/​/​doi.org/​10.1038/​s41570-023-00516-8

[25] محمد هیبت الله، مارتین گاناهل، لورن ای. هیوارد، راجر جی. ملکو، و خوان کاراسکیلا. توابع موج شبکه عصبی بازگشتی تحقیقات مرور فیزیکی، 2 (2): 023358، ژوئن 2020. 10.1103/​PhysRevResearch.2.023358.
https://doi.org/​10.1103/​PhysRevResearch.2.023358

[26] محمد هیبت الله، راجر جی. ملکو، و خوان کاراسکیلا. تکمیل توابع موج شبکه عصبی مکرر با تقارن و بازپخت برای بهبود دقت، جولای 2022.

[27] محمد هیبت الله، راجر جی. ملکو، و خوان کاراسکیلا. بررسی نظم توپولوژیکی با استفاده از شبکه های عصبی بازگشتی بررسی فیزیکی B، 108 (7): 075152، اوت 2023. 10.1103/​PhysRevB.108.075152.
https://doi.org/​10.1103/​PhysRevB.108.075152

[28] هینتون، جفری، سریواستاوا، نیتیش، و سورسکی، کوین. سخنرانی 6a: مروری بر نزول گرادیان دسته ای کوچک، 2012.

[29] دامیان هافمن، جیامارکو فابیانی، یوهان منتینک، جوزپه کارلئو و مایکل سنتف. نقش نویز تصادفی و خطای تعمیم در انتشار زمانی حالت‌های کوانتومی شبکه عصبی SciPost Physics, 12 (5): 165, May 2022. ISSN 2542-4653. 10.21468/​SciPostPhys.12.5.165.
https://doi.org/​10.21468/​SciPostPhys.12.5.165

[30] بیارنی جونسون، بلا بائر و جوزپه کارلئو. حالت های شبکه عصبی برای شبیه سازی کلاسیک محاسبات کوانتومی، آگوست 2018.

[31] دیدریک پی کینگما و جیمی با. آدام: روشی برای بهینه سازی تصادفی، ژانویه 2017.

[32] تیم تحقیقات الکترونیکی کینگز کالج لندن. محیط تحقیقات محاسباتی، مهندسی و فناوری کینگ (CREATE)، 2022. URL https://doi.org/​10.18742/​rnvf-m076.
https://doi.org/​10.18742/​rnvf-m076

[33] دیمیتری کوچکوف و برایان کی کلارک. بهینه‌سازی متغیر در عصر هوش مصنوعی: حالت‌های نمودار محاسباتی و بهینه‌سازی تابع موج نظارت شده arXiv:1811.12423 [cond-mat, physics:physics]، نوامبر 2018.
arXiv: 1811.12423

[34] چو چنگ لین، آرون جائچ، شین لی، متیو آر گورملی و جیسون آیزنر. محدودیت های مدل های خودرگرسیون و جایگزین های آنها. در مجموعه مقالات کنفرانس 2021 فصل آمریکای شمالی انجمن زبان‌شناسی محاسباتی: فناوری‌های زبان انسانی، صفحات 5147–5173، آنلاین، ژوئن 2021. انجمن زبان‌شناسی محاسباتی. 10.18653/​v1/​2021.naacl-main.405.
https://doi.org/​10.18653/​v1/​2021.naacl-main.405

[35] شنگ هسوان لین و فرانک پولمن. مقیاس بندی حالات کوانتومی شبکه عصبی برای تکامل زمان. physica status solidi (b), 259 (5): 2100172, 2022. ISSN 1521-3951. 10.1002/pssb.202100172.
https://doi.org/​10.1002/​pssb.202100172

[36] الساندرو لواتو، کوری آدامز، جوزپه کارلئو و نومی روکو. حالت های کوانتومی شبکه عصبی-نوکلئون های پنهان برای مسئله چند جسم هسته ای. Physical Review Research, 4 (4): 043178, December 2022. 10.1103/​PhysRevResearch.4.043178.
https://doi.org/​10.1103/​PhysRevResearch.4.043178

[37] دی لو، ژو چن، خوان کاراسکیلا و برایان کی کلارک. شبکه عصبی خودرگرسیون برای شبیه‌سازی سیستم‌های کوانتومی باز از طریق یک فرمول‌بندی احتمالی. Physical Review Letters, 128 (9): 090501, فوریه 2022. 10.1103/​PhysRevLett.128.090501.
https://doi.org/​10.1103/​PhysRevLett.128.090501

[38] دی لو، ژو چن، کایون هو، ژیژن ژائو، ورا میکیونگ هور، و برایان کی. کلارک. شبکه عصبی اتورگرسیو گیج ثابت و هریونیک متقارن برای مدل های شبکه کوانتومی. Physical Review Research, 5 (1): 013216, March 2023. 10.1103/​PhysRevResearch.5.013216.
https://doi.org/​10.1103/​PhysRevResearch.5.013216

[39] الکسی مالیشف، خوان میگل آرازولا، و AI لووفسکی. حالت های کوانتومی عصبی خودبازگشت با تقارن اعداد کوانتومی، اکتبر 2023.

[40] ماتیا مدویدوویچ و جوزپه کارلئو. شبیه سازی تغییرات کلاسیک الگوریتم بهینه سازی تقریبی کوانتومی. npj اطلاعات کوانتومی، 7 (1): 1–7، ژوئن 2021. ISSN 2056-6387. 10.1038/​s41534-021-00440-z.
https://doi.org/​10.1038/​s41534-021-00440-z

[41] یوسوکه نومورا. کمک به ماشین های محدود شده بولتزمن با نمایش حالت کوانتومی با بازگرداندن تقارن. مجله فیزیک: ماده متراکم، 33 (17): 174003، آوریل 2021. ISSN 0953-8984. 10.1088/1361-648X/abe268.
https://doi.org/​10.1088/​1361-648X/​abe268

[42] یوسوکه نومورا و ماساتوشی ایمادا. مایع اسپین گرهی نوع دیراک توسط حل‌کننده چند جسمی کوانتومی تصفیه شده با استفاده از تابع موج شبکه عصبی، نسبت همبستگی و طیف‌سنجی سطح آشکار شد. Physical Review X, 11 (3): 031034, آگوست 2021. 10.1103/​PhysRevX.11.031034.
https://doi.org/​10.1103/​PhysRevX.11.031034

[43] دیوید فاو، جیمز اس اسپنسر، الکساندر جی دی جی متیوز، و WMC Foulkes. حل ابداعی معادله شرودینگر چند الکترونی با شبکه های عصبی عمیق. پژوهش مروری فیزیکی، 2 (3): 033429، سپتامبر 2020. 10.1103/​PhysRevResearch.2.033429.
https://doi.org/​10.1103/​PhysRevResearch.2.033429

[44] یانیک راث و جورج اچ. بوث. حالت فرآیند کوانتومی گاوسی: یک حالت الهام گرفته از هسته با داده های پشتیبانی کوانتومی. Physical Review Research, 4 (2): 023126, May 2022. 10.1103/​PhysRevResearch.4.023126.
https://doi.org/​10.1103/​PhysRevResearch.4.023126

[45] یانیک راث و جورج اچ. بوث. چارچوبی برای ساختار الکترونیکی از ابتدا کارآمد با حالت های فرآیند گاوسی. بررسی فیزیکی B، 107 (20): 205119، مه 2023. 10.1103/​PhysRevB.107.205119.
https://doi.org/​10.1103/​PhysRevB.107.205119

[46] یانیک راث، آلدو گلیلمو، و جورج اچ. بوث. یک چارچوب استنتاج بیزی برای فشرده سازی و پیش بینی حالات کوانتومی مجله فیزیک شیمی، 153 (12): 124108، سپتامبر 2020. ISSN 0021-9606. 10.1063/5.0024570.
https://doi.org/​10.1063/​5.0024570

[47] وسیم روات و زنگوی وانگ. شبکه‌های عصبی کانولوشنال عمیق برای طبقه‌بندی تصویر: بررسی جامع محاسبات عصبی، 29 (9): 2352-2449، سپتامبر 2017. ISSN 0899-7667. 10.1162/​neco_a_00990.
https://doi.org/​10.1162/​neco_a_00990

[48] موریتز ره، مارکوس اشمیت و مارتین گارتنر. بهینه سازی انتخاب های طراحی برای حالت های کوانتومی عصبی Physical Review B, 107 (19): 195115, May 2023. 10.1103/​PhysRevB.107.195115.
https://doi.org/​10.1103/​PhysRevB.107.195115

[49] کریستوفر راث و آلن اچ مک دونالد. شبکه های عصبی کانولوشن گروهی دقت حالت کوانتومی را بهبود می بخشد، می 2021.

[50] کریستوفر راث، آتیلا سابو و آلن اچ مک دونالد. تغییرات مونت کارلو با دقت بالا برای آهنرباهای سرخورده با شبکه های عصبی عمیق. بررسی فیزیکی B، 108 (5): 054410، اوت 2023. 10.1103/​PhysRevB.108.054410.
https://doi.org/​10.1103/​PhysRevB.108.054410

[51] اندرس دبلیو ساندویک. مقیاس بندی اندازه محدود پارامترهای حالت پایه مدل دو بعدی هایزنبرگ. Physical Review B, 56 (18): 11678–11690، نوامبر 1997. 10.1103/​PhysRevB.56.11678.
https://doi.org/​10.1103/​PhysRevB.56.11678

[52] HJ Schulz، TAL Ziman، و D. Poilblanc. نظم و بی نظمی مغناطیسی در ضد فرومغناطیس هایزنبرگ کوانتومی سرخورده در دو بعد. Journal de Physique I, 6 (5): 675–703, May 1996. ISSN 1155-4304, 1286-4862. 10.1051/jp1:1996236.
https://doi.org/​10.1051/​jp1:1996236

[53] یا شریر، یوآو لوین، نوام ویز، جوزپه کارلئو و آمنون شاشوآ. مدل‌های خودرگرسیون عمیق برای شبیه‌سازی متغیر کارآمد سیستم‌های کوانتومی چند بدنه. Physical Review Letters, 124 (2): 020503, January 2020. 10.1103/​PhysRevLett.124.020503.
https://doi.org/​10.1103/​PhysRevLett.124.020503

[54] همکاری سیمونز در مسئله چندین الکترون، ماریو موتا، دیوید ام. سپرلی، گارنت کین‌لیک چان، جان آ. گومز، امانوئل گاول، شنگ گوئو، کارلوس آ. جیمنز-هویوس، تران نگوین لان، جیا لی، فنجیه ما ، اندرو جی. میلیس، نیکولای وی. پروکوفف، اوشنیش ری، گوستاوو اسکوسریا، ساندرو سورلا، ادوین ام. استودنمیر، کیمینگ سان، ایگور اس. توپیتسین، استیون آر وایت، دومینیکا زگید، و شیوی ژانگ. به سوی حل مسئله بسیاری از الکترون در مواد واقعی: معادله حالت زنجیره هیدروژن با روش های مدرن چند بدنه. Physical Review X, 7 (3): 031059, سپتامبر 2017. 10.1103/​PhysRevX.7.031059.
https://doi.org/​10.1103/​PhysRevX.7.031059

[55] الساندرو سینیبالدی، کلمنس جولیانی، جوزپه کارلئو و فیلیپو ویسنتینی. تغییر مونت کارلو وابسته به زمان بدون تعصب توسط تکامل کوانتومی پیش بینی شده. Quantum, 7: 1131, اکتبر 2023. 10.22331/​q-2023-10-10-1131.
https:/​/​doi.org/​10.22331/​q-2023-10-10-1131

[56] آنتون وی سینیتسکی، لورن گرینمن و دیوید آ. مازیوتی. همبستگی قوی در زنجیره‌های هیدروژنی و شبکه‌ها با استفاده از روش ماتریس کاهش چگالی دو الکترونی متغیر. مجله فیزیک شیمی، 133 (1): 014104، جولای 2010. ISSN 0021-9606. 10.1063/1.3459059.
https://doi.org/​10.1063/​1.3459059

[57] ساندرو سورلا. الگوریتم تعمیم یافته Lanczos برای کوانتومی متغیر مونت کارلو. بررسی فیزیکی B، 64 (2): 024512، ژوئن 2001. 10.1103/​PhysRevB.64.024512.
https://doi.org/​10.1103/​PhysRevB.64.024512

[58] لورنزو استلا، کلودیو آتاکالیت، ساندرو سورلا و آنجل روبیو. همبستگی الکترونیکی قوی در زنجیره هیدروژن: یک مطالعه متغیر مونت کارلو. Physical Review B, 84 (24): 245117, دسامبر 2011. 10.1103/​PhysRevB.84.245117.
https://doi.org/​10.1103/​PhysRevB.84.245117

[59] Qiming Sun، Timothy C. Berkelbach، Nick S. Blunt، George H. Booth، Sheng Guo، Zhendong Li، Junzi Liu، James D. McClain، Elvira R. Sayfutyarova، Sandeep Sharma، Sebastian Wouters، و Garnet Kin-Lic Chan. PySCF: شبیه‌سازی‌های چارچوب شیمی مبتنی بر پایتون. WIREs Computational Molecular Science, 8 (1): e1340, 2018. ISSN 1759-0884. 10.1002/​wcms.1340.
https://doi.org/​10.1002/​wcms.1340

[60] کیمینگ سان، زینگ ژانگ، سامرگنی بانرجی، پنگ بائو، مارک باربری، نیک اس. بلانت، نیکولای آ. بوگدانوف، جورج اچ. بوث، جیا چن، ژی هائو کویی، یانوس جی. اریکسن، یانگ گائو، شنگ گوئو، جان هرمان، متیو آر. هرمس، کوین کوه، پیتر کووال، سوزی لهتولا، ژندونگ لی، جونزی لیو، ناربه ماردیروسیان، جیمز دی مک‌کلین، ماریو موتا، باستین موسارد، هونگ کیو فام، آرتم پولکین، ویراوان پوروانتو، پل جی. رابینسون، انریکو رونکا، الویرا آر. سایفوتیاروا، ماکسیمیلیان شیورر، هنری اف. شورکوس، جیمز ای تی اسمیت، چونگ سان، شی-نینگ سان، شیو آپادهای، لوکاس کی واگنر، شیائو وانگ، الک وایت، جیمز دانیل ویتفیلد، مارک جی ویلیامسون، سباستین واترز، جون یانگ، جیسون ام.یو، تیانیو ژو، تیموتی سی. برکلباخ، ساندیپ شارما، الکساندر یو. سوکولوف و گارنت کین لیک چان. تحولات اخیر در بسته برنامه PySCF. Journal of Chemical Physics, 153 (2): 024109, July 2020. ISSN 0021-9606. 10.1063/5.0006074.
https://doi.org/​10.1063/​5.0006074

[61] Xiao-Qi Sun، Tamra Nebabu، Xizhi Han، Michael O. Flynn، و Xiao-Liang Qi. ویژگی های درهم تنیدگی حالت های کوانتومی شبکه عصبی تصادفی Physical Review B, 106 (11): 115138, سپتامبر 2022. 10.1103/​PhysRevB.106.115138.
https://doi.org/​10.1103/​PhysRevB.106.115138

[62] آتیلا سابو و کلودیو کاستلنوو. توابع موج شبکه عصبی و مشکل علامت تحقیقات مروری فیزیکی، 2 (3): 033075، ژوئیه 2020. 10.1103/​PhysRevResearch.2.033075.
https://doi.org/​10.1103/​PhysRevResearch.2.033075

[63] جاکومو تورلای، گوگلیلمو مازولا، خوان کاراسکیلا، ماتیاس ترویر، راجر ملکو و جوزپه کارلئو. توموگرافی حالت کوانتومی شبکه عصبی Nature Physics, 14 (5): 447–450, May 2018. ISSN 1745-2481. 10.1038/​s41567-018-0048-5.
https:/​/​doi.org/​10.1038/​s41567-018-0048-5

[64] تاکاشی سوچیموچی و گوستاوو اسکوسریا. همبستگی قوی از طریق نظریه میدان میانگین با جفت محدود. مجله فیزیک شیمی، 131 (12): 121102، سپتامبر 2009. ISSN 0021-9606. 10.1063/1.3237029.
https://doi.org/​10.1063/​1.3237029

[65] بنینو اوریا، مارک الکساندر کوته، کارول گرگور، ایین موری و هوگو لاروشل. تخمین توزیع خودرگرسیون عصبی. مجله تحقیقات یادگیری ماشین، 17 (205): 1–37، 2016. ISSN 1533-7928.

[66] آرون ون دن اوورد، نال کالچبرنر، لاسه اسپهولت، کورای کاووککو اوغلو، اوریول وینیالز، و الکس گریوز. تولید تصویر مشروط با رسیورهای PixelCNN. In Advances in Neural Information Processing Systems، جلد 29. Curran Associates, Inc., 2016.

[67] فیلیپو ویسنتینی، دامیان هافمن، آتیلا سابو، دیان وو، کریستوفر راث، کلمنس جولیانی، گابریل پسیا، یاننس، ولادیمیر وارگاس کالدرون، نیکیتا آستراخانتسف و جوزپه کارلئو. NetKet 3: جعبه ابزار یادگیری ماشین برای سیستم های کوانتومی چند بدنه. پایگاه های کد فیزیک SciPost، صفحه 007، آگوست 2022. ISSN 2949-804X. 10.21468/​SciPostPhysCodeb.7.
https://doi.org/​10.21468/​SciPostPhysCodeb.7

[68] تام ویجرا، کورنیل کازرت، یانس نیس، وسلی دی نیو، جوتو هیگمن، یان رایکبوش و فرانک ورستریته. ماشین های محدود بولتزمن برای حالت های کوانتومی با تقارن غیر آبلی یا آنیونیک. Physical Review Letters, 124 (9): 097201، مارس 2020. 10.1103/​PhysRevLett.124.097201.
https://doi.org/​10.1103/​PhysRevLett.124.097201

[69] لوسیانو لوریس ویتریتی، ریکاردو رنده و فدریکو بکا. توابع موج متغیر ترانسفورماتور برای سیستم های اسپین کوانتومی سرخورده. Physical Review Letters, 130 (23): 236401, June 2023. 10.1103/​PhysRevLett.130.236401.
https://doi.org/​10.1103/​PhysRevLett.130.236401

[70] Yezhen Wang، Tong Che، Bo Li، Kaitao Song، Hengzhi Pei، Yoshua Bengio و Dongsheng Li. مدل مولد خودرگرسیون شما می تواند بهتر باشد اگر آن را به عنوان یک مدل مبتنی بر انرژی در نظر بگیرید، ژوئن 2022.

[71] تام وسترهوت، نیکیتا آستراخانسف، کنستانتین اس تیخونوف، میخائیل آی. کاتسنلسون، و آندری آ. باگروف. ویژگی‌های تعمیم تقریب‌های شبکه عصبی به حالت‌های پایه آهنربای سرخورده Nature Communications, 11 (1): 1593, March 2020. ISSN 2041-1723. 10.1038/​s41467-020-15402-w.
https://doi.org/​10.1038/​s41467-020-15402-w

[72] دیان وو، ریکاردو روسی، فیلیپو ویسنتینی و جوزپه کارلئو. از حالت‌های کوانتومی شبکه تانسور تا شبکه‌های عصبی بازگشتی کششی. تحقیقات مروری فیزیکی، 5 (3): L032001، جولای 2023. 10.1103/​PhysRevResearch.5.L032001.
https://doi.org/​10.1103/​PhysRevResearch.5.L032001

[73] Huanchen Zhai و Garnet Kin-Lic Chan. الگوریتم‌های گروه‌های عادی‌سازی مجدد ماتریس تراکم اولیه با کارایی بالا ارتباط کم. مجله فیزیک شیمی، 154 (22): 224116، ژوئن 2021. ISSN 0021-9606. 10.1063/5.0050902.
https://doi.org/​10.1063/​5.0050902

[74] یوان هانگ ژانگ و ماسیمیلیانو دی ونترا. حالت کوانتومی ترانسفورماتور: یک مدل چند منظوره برای مشکلات کوانتومی چند جسمی. بررسی فیزیکی B، 107 (7): 075147، فوریه 2023. 10.1103/​PhysRevB.107.075147.
https://doi.org/​10.1103/​PhysRevB.107.075147

[75] تیانچن ژائو، سایبال دی، برایان چن، جیمز استوکس و شروان ویراپاننی. غلبه بر موانع مقیاس پذیری در کوانتومی متغیر مونت کارلو در مجموعه مقالات کنفرانس بین المللی برای محاسبات با عملکرد بالا، شبکه، ذخیره سازی و تجزیه و تحلیل، SC '21، صفحات 1-13، نیویورک، نیویورک، ایالات متحده آمریکا، نوامبر 2021. انجمن ماشین های محاسباتی. شابک 978-1-4503-8442-1. 10.1145/​3458817.3476219.
https://doi.org/​10.1145/​3458817.3476219

[76] تیانچن ژائو، جیمز استوکس و شروان ویراپاننی. معماری حالت های کوانتومی عصبی مقیاس پذیر برای شیمی کوانتومی. Machine Learning: Science and Technology, 4 (2): 025034, June 2023. ISSN 2632-2153. 10.1088/​2632-2153/​acdb2f.
https://doi.org/​10.1088/​2632-2153/​acdb2f

[77] دینگ ژوان ژو. جهانی بودن شبکه های عصبی کانولوشنال عمیق تحلیل هارمونیک کاربردی و محاسباتی، 48 (2): 787–794، مارس 2020. ISSN 1063-5203. 10.1016/​j.acha.2019.06.004.
https://doi.org/​10.1016/​j.acha.2019.06.004