5.3.3 数值方法革新：张量网络自动优化（TEBD/MPS）、神经微分方程求解薛定谔方程

文档摘要

5.3.3 数值方法革新：张量网络自动优化（TEBD/MPS）、神经微分方程求解薛定谔方程在量子多体物理的深水区，我们长久以来面对的是一堵“指数墙”：一个含 $N$ 个自旋-$\frac{1}{2}$ 粒子的系统，其希尔伯特空间维数为 $2^N$——当 $N=50$，这个数字已远超可观测宇宙的原子总数。传统数值方法在此戛然而止。但过去十年间，两股技术洪流正悄然凿穿这堵墙：一边是张量网络对量子态结构的几何化压缩，另一边是神经微分方程对时间演化路径的函数式学习。