粗粒度谱投影（CGSP）：量子幺正动力学的深度学习辅助方法
Coarse-grained spectral projection (CGSP): a deep learning-assisted approach to quantum unitary dynamics
摘要：
我们提出了粗粒度谱投影方法（CGSP），这是一种深度学习辅助方法，用于解决量子幺正动力学问题，重点是淬火动力学。我们证明了CGSP可以利用复杂的神经网络量子模拟系统地提取多体量子态的光谱分量。CGSP充分利用了量子动力学的线性幺正性质，在遍历动力学方面可能优于其他量子蒙特卡罗方法。对周期边界条件下的一维XXZ模型进行了初步的数值计算，验证了CGSP的实用性。
英文摘要：
We propose the coarse-grained spectral projection method (CGSP), a deep learning-assisted approach for tackling quantum unitary dynamic problems with an emphasis on quench dynamics. We show CGSP can extract spectral components of many-body quantum states systematically with sophisticated neural network quantum ansatz. CGSP exploits fully the linear unitary nature of the quantum dynamics, and is potentially superior to other quantum Monte Carlo methods for ergodic dynamics. Preliminary numerical results on 1D XXZ models with periodic boundary condition are carried out to demonstrate the practicality of CGSP.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
