NetKet 零基础教程10 个核心概念让你彻底看懂神经量子态NQS【免费下载链接】netketMachine learning algorithms for many-body quantum systems项目地址: https://gitcode.com/gh_mirrors/ne/netket神经量子态NQS是近年来量子物理与机器学习交叉领域最炙手可热的技术而NetKet正是实现它的最强开源工具之一。NetKet 是一个基于 JAX 构建的 Python 库专为多体量子系统的机器学习算法而设计内置了从神经网络模型、蒙特卡洛采样到变分优化的完整流程。本文面向零基础新手用 10 个核心概念帮你彻底看懂神经量子态NQS的来龙去脉并了解 NetKet 中对应的模块与用法。1. 神经量子态NQS是什么一句话讲清楚传统量子物理中描述一个多体量子系统的状态需要波函数而波函数的维度随粒子数呈指数爆炸。NQS 的核心思想是用神经网络来逼近波函数把存不下的指数级信息压缩进神经网络的参数里。NetKet 正是这一思想的工程化实现——它把神经网络 量子力学整个流水线封装成了 Python 接口让研究者几行代码就能跑起一个量子基态计算。这也是 NetKet 被称为神经网络量子态算法全家桶的原因。 一句话记忆NQS 用神经网络的参数 $\theta$ 表示波函数 $\psi_\theta(\sigma)$再通过变分法优化参数逼近真实基态。2. 希尔伯特空间Hilbert Space系统状态的定义在 NetKet 中一切从希尔伯特空间开始它定义了系统所有可能的量子态。对应模块为 netket/hilbert/常用类包括nk.hilbert.Spin自旋系统如Spin(s1/2, N20)表示 20 个自旋 1/2 的粒子nk.hilbert.Fock玻色子占据数空间nk.hilbert.Qubit量子比特系统nk.hilbert.SpinOrbitalFermions费米子自旋轨道空间官方示例 Examples/Ising1d/ising1d.py 的第一行实际工作就是定义这个状态空间。3. 哈密顿量与算符Operator系统的能量规则有了状态空间还需要定义系统的物理规则——哈密顿量Hamiltonian。NetKet 的算符模块 netket/operator/ 内置了大量常用算符nk.operator.Ising横场 Ising 模型nk.operator.Heisenberg海森堡模型nk.operator.BoseHubbard玻色-哈伯德模型nk.operator.FermiHubbard费米-哈伯德模型见 netket/_src/operator/particle_number_conserving_fermionic/nk.operator.LocalOperator、PauliStrings任意自定义算符4. 神经网络模型ModelsNQS 的大脑这是神经量子态的核心NetKet 的模型库 netket/models/ 提供了多种成熟架构nk.models.RBM受限玻尔兹曼机NQS 最经典的模型源码见 netket/models/rbm.pynk.models.GCNN群等变卷积网络netket/models/equivariant.pynk.models.Jastrow、MLP、DeepSet、Slater2ndnk.models.ARNN*自回归神经网络netket/models/autoreg.py 新手建议从 RBM 入手它的数学结构简单、效果好是理解 NQS 的最佳起点。5. 采样器Sampler蒙特卡洛采样的发电机NQS 训练中需要从波函数的概率分布中采样。NetKet 的采样器模块 netket/sampler/ 提供了多种策略nk.sampler.MetropolisLocal最常用的局部更新采样见 netket/sampler/metropolis.pynk.sampler.MetropolisExchange交换更新nk.sampler.MetropolisHamiltonian基于哈密顿量的高效采样nk.sampler.ExactSampler精确穷举采样小系统用nk.sampler.ARDirectSampler自回归直接采样netket/sampler/autoreg.py6. 变分量子态Variational State把一切串起来模型和采样器准备好了NetKet 用变分量子态把它们组装成一个可计算期望值的对象。模块位于 netket/vqs/nk.vqs.MCState蒙特卡洛变分态最常用nk.vqs.FullSumState全求和变分态小系统精确计算nk.vqs.MCMixedState混合态用于耗散系统在 Ising 示例中nk.vqs.MCState(sa, ma, n_samples1008)一行就完成了组装。7. 能量估计与梯度NQS 的学习信号神经网络怎么知道往哪调参NetKet 的 netket/vqs/base.py 提供了核心 APIexpect()计算能量期望值 $\langle \hat H \rangle$expect_and_grad()同时计算能量和梯度这是变分优化的引擎这一层封装了复杂的局部能量估计器见 netket/_src/stats/local_estimators.py用户无需手写梯度公式。8. 优化器与随机重构SRNQS 的训练利器梯度有了还需要优化器更新参数。NetKet 的优化器模块 netket/optimizer/ 不仅提供常规优化器nk.optimizer.Sgd、Momentum等基于 optax更提供了量子物理界的大招——随机重构Stochastic Reconfiguration, SRnk.optimizer.SR天然适配 NQS 的训练器netket/optimizer/sr.py底层基于 QGT 量子几何张量实现见 netket/optimizer/qgt/ SR 相当于量子版本的二阶优化方法收敛速度和稳定性远超普通 SGD。9. 变分蒙特卡洛驱动VMC Driver一键启动训练一切就绪后用VMC 驱动一键开跑。NetKet 的驱动模块 netket/driver/ 提供nk.driver.VMC变分蒙特卡洛主驱动netket/driver/vmc.pynk.driver.SteadyState稳态求解netket/driver/steady_state.py实验性 TDVP 动力学驱动见 netket/experimental/driver/示例中gs nk.driver.VMC(ha, op, variational_statevs)加上gs.run(n_iter1000)即可完成训练。10. 如何上手跑通第一个 NQS 实验最后给你一条最快上手的路径仓库中已备好大量可直接运行的示例脚本Examples/目录入门首选一维 Ising 模型基态看 Examples/Ising1d/ising1d.py并配合 Examples/Ising1d/plot_ising.py 可视化进阶练习海森堡模型 Examples/Heisenberg1d/heisenberg1d.py玻色子系统连续空间例子见 Examples/Continuous/学习更复杂的对称性利用官方教程 docs/tutorials/symmetries/安装只需一条命令Python 3.11Linux/macOSpip install --upgrade pip pip install netket若需 GPU 支持仅 Linux可安装netket[cuda]版本。克隆完整仓库可执行git clone https://gitcode.com/gh_mirrors/ne/netket写在最后神经量子态NQS连接了深度学习和量子多体物理两大领域而 NetKet 把这个前沿技术变成了普通研究者也能轻松上手的工具。从希尔伯特空间、哈密顿量到 RBM 模型、Metropolis 采样再到 VMC 驱动——这 10 个核心概念构成了 NQS 的完整拼图。建议你照着 Examples/Ising1d/ising1d.py 亲手跑一遍20 行代码就能看到神经网络学出基态能量的全过程那种成就感无可替代如果想要深入学习NetKet 的官方文档docs/目录和教程笔记本docs/tutorials/gs-ising.ipynb 等都是绝佳资源祝你早日玩转 NQS【免费下载链接】netketMachine learning algorithms for many-body quantum systems项目地址: https://gitcode.com/gh_mirrors/ne/netket创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
NetKet 零基础教程10 个核心概念让你彻底看懂神经量子态NQS【免费下载链接】netketMachine learning algorithms for many-body quantum systems项目地址: https://gitcode.com/gh_mirrors/ne/netket神经量子态NQS是近年来量子物理与机器学习交叉领域最炙手可热的技术而NetKet正是实现它的最强开源工具之一。NetKet 是一个基于 JAX 构建的 Python 库专为多体量子系统的机器学习算法而设计内置了从神经网络模型、蒙特卡洛采样到变分优化的完整流程。本文面向零基础新手用 10 个核心概念帮你彻底看懂神经量子态NQS的来龙去脉并了解 NetKet 中对应的模块与用法。1. 神经量子态NQS是什么一句话讲清楚传统量子物理中描述一个多体量子系统的状态需要波函数而波函数的维度随粒子数呈指数爆炸。NQS 的核心思想是用神经网络来逼近波函数把存不下的指数级信息压缩进神经网络的参数里。NetKet 正是这一思想的工程化实现——它把神经网络 量子力学整个流水线封装成了 Python 接口让研究者几行代码就能跑起一个量子基态计算。这也是 NetKet 被称为神经网络量子态算法全家桶的原因。 一句话记忆NQS 用神经网络的参数 $\theta$ 表示波函数 $\psi_\theta(\sigma)$再通过变分法优化参数逼近真实基态。2. 希尔伯特空间Hilbert Space系统状态的定义在 NetKet 中一切从希尔伯特空间开始它定义了系统所有可能的量子态。对应模块为 netket/hilbert/常用类包括nk.hilbert.Spin自旋系统如Spin(s1/2, N20)表示 20 个自旋 1/2 的粒子nk.hilbert.Fock玻色子占据数空间nk.hilbert.Qubit量子比特系统nk.hilbert.SpinOrbitalFermions费米子自旋轨道空间官方示例 Examples/Ising1d/ising1d.py 的第一行实际工作就是定义这个状态空间。3. 哈密顿量与算符Operator系统的能量规则有了状态空间还需要定义系统的物理规则——哈密顿量Hamiltonian。NetKet 的算符模块 netket/operator/ 内置了大量常用算符nk.operator.Ising横场 Ising 模型nk.operator.Heisenberg海森堡模型nk.operator.BoseHubbard玻色-哈伯德模型nk.operator.FermiHubbard费米-哈伯德模型见 netket/_src/operator/particle_number_conserving_fermionic/nk.operator.LocalOperator、PauliStrings任意自定义算符4. 神经网络模型ModelsNQS 的大脑这是神经量子态的核心NetKet 的模型库 netket/models/ 提供了多种成熟架构nk.models.RBM受限玻尔兹曼机NQS 最经典的模型源码见 netket/models/rbm.pynk.models.GCNN群等变卷积网络netket/models/equivariant.pynk.models.Jastrow、MLP、DeepSet、Slater2ndnk.models.ARNN*自回归神经网络netket/models/autoreg.py 新手建议从 RBM 入手它的数学结构简单、效果好是理解 NQS 的最佳起点。5. 采样器Sampler蒙特卡洛采样的发电机NQS 训练中需要从波函数的概率分布中采样。NetKet 的采样器模块 netket/sampler/ 提供了多种策略nk.sampler.MetropolisLocal最常用的局部更新采样见 netket/sampler/metropolis.pynk.sampler.MetropolisExchange交换更新nk.sampler.MetropolisHamiltonian基于哈密顿量的高效采样nk.sampler.ExactSampler精确穷举采样小系统用nk.sampler.ARDirectSampler自回归直接采样netket/sampler/autoreg.py6. 变分量子态Variational State把一切串起来模型和采样器准备好了NetKet 用变分量子态把它们组装成一个可计算期望值的对象。模块位于 netket/vqs/nk.vqs.MCState蒙特卡洛变分态最常用nk.vqs.FullSumState全求和变分态小系统精确计算nk.vqs.MCMixedState混合态用于耗散系统在 Ising 示例中nk.vqs.MCState(sa, ma, n_samples1008)一行就完成了组装。7. 能量估计与梯度NQS 的学习信号神经网络怎么知道往哪调参NetKet 的 netket/vqs/base.py 提供了核心 APIexpect()计算能量期望值 $\langle \hat H \rangle$expect_and_grad()同时计算能量和梯度这是变分优化的引擎这一层封装了复杂的局部能量估计器见 netket/_src/stats/local_estimators.py用户无需手写梯度公式。8. 优化器与随机重构SRNQS 的训练利器梯度有了还需要优化器更新参数。NetKet 的优化器模块 netket/optimizer/ 不仅提供常规优化器nk.optimizer.Sgd、Momentum等基于 optax更提供了量子物理界的大招——随机重构Stochastic Reconfiguration, SRnk.optimizer.SR天然适配 NQS 的训练器netket/optimizer/sr.py底层基于 QGT 量子几何张量实现见 netket/optimizer/qgt/ SR 相当于量子版本的二阶优化方法收敛速度和稳定性远超普通 SGD。9. 变分蒙特卡洛驱动VMC Driver一键启动训练一切就绪后用VMC 驱动一键开跑。NetKet 的驱动模块 netket/driver/ 提供nk.driver.VMC变分蒙特卡洛主驱动netket/driver/vmc.pynk.driver.SteadyState稳态求解netket/driver/steady_state.py实验性 TDVP 动力学驱动见 netket/experimental/driver/示例中gs nk.driver.VMC(ha, op, variational_statevs)加上gs.run(n_iter1000)即可完成训练。10. 如何上手跑通第一个 NQS 实验最后给你一条最快上手的路径仓库中已备好大量可直接运行的示例脚本Examples/目录入门首选一维 Ising 模型基态看 Examples/Ising1d/ising1d.py并配合 Examples/Ising1d/plot_ising.py 可视化进阶练习海森堡模型 Examples/Heisenberg1d/heisenberg1d.py玻色子系统连续空间例子见 Examples/Continuous/学习更复杂的对称性利用官方教程 docs/tutorials/symmetries/安装只需一条命令Python 3.11Linux/macOSpip install --upgrade pip pip install netket若需 GPU 支持仅 Linux可安装netket[cuda]版本。克隆完整仓库可执行git clone https://gitcode.com/gh_mirrors/ne/netket写在最后神经量子态NQS连接了深度学习和量子多体物理两大领域而 NetKet 把这个前沿技术变成了普通研究者也能轻松上手的工具。从希尔伯特空间、哈密顿量到 RBM 模型、Metropolis 采样再到 VMC 驱动——这 10 个核心概念构成了 NQS 的完整拼图。建议你照着 Examples/Ising1d/ising1d.py 亲手跑一遍20 行代码就能看到神经网络学出基态能量的全过程那种成就感无可替代如果想要深入学习NetKet 的官方文档docs/目录和教程笔记本docs/tutorials/gs-ising.ipynb 等都是绝佳资源祝你早日玩转 NQS【免费下载链接】netketMachine learning algorithms for many-body quantum systems项目地址: https://gitcode.com/gh_mirrors/ne/netket创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
