神经网络遇上量子物理：横场伊辛模型的机器学习求解方法

本项目展示了如何利用神经网络（Neural Quantum States）结合变分蒙特卡洛方法求解横场伊辛模型的基态性质，是量子物理与机器学习交叉领域的前沿尝试。项目涵盖一维模型验证、二维模型扩展、采样训练流程及可视化分析，为量子多体系统的计算难题提供了创新解决方案。

伊辛模型是理解磁性相变的经典模型，横场伊辛模型引入量子效应（横向磁场导致自旋隧穿），呈现丰富量子相变。一维版本可解析求解，二维版本在热力学极限下无闭式解，需依赖数值方法；传统精确对角化受限于希尔伯特空间指数增长，成为计算瓶颈。

项目核心方法为变分蒙特卡洛与神经网络结合：用神经网络参数化试波函数，通过马尔可夫链蒙特卡洛（MCMC）采样自旋配置，计算局部能量，利用变分原理优化网络参数使能量期望最小化。该方法优势在于神经网络可捕捉复杂量子纠缠，计算复杂度随系统尺寸多项式增长。

项目先在一维横场伊辛模型验证方法有效性（借助解析解作为基准），实现自旋采样、网络前向传播及梯度下降优化；二维模型是重点难点，量子纠缠更复杂，可能采用受限玻尔兹曼机（RBM）或图神经网络处理晶格结构，需精细调优超参数与更长计算时间。

采样采用MCMC提议-接受机制生成符合波函数分布的配置；训练流程迭代采样、计算变分能量及梯度、更新参数直至收敛。可视化组件包括能量随迭代曲线、序参量演化、自旋关联函数展示，直观呈现量子相变及神经网络学习过程。

项目体现机器学习在科学研究的价值：神经网络不仅是计算工具，其表示可能揭示量子系统内在结构（如隐藏层激活对应量子关联）；作为课程项目，帮助学生理解多学科核心概念。扩展方向包括尝试复杂架构、研究更难量子模型、探索强化学习在量子控制的应用。