Evolución en tiempo real con estados cuánticos de red neuronal

Una aplicación prometedora de los estados cuánticos de red neuronal es describir la dinámica temporal de sistemas cuánticos de muchos cuerpos. Para realizar esta idea, empleamos estados cuánticos de red neuronal para aproximar el método del punto medio implícito, que preserva la forma simpléctica de la dinámica hamiltoniana. Aseguramos que nuestras redes neuronales de valores complejos son funciones holomorfas y aprovechamos esta propiedad para calcular eficientemente los gradientes. La aplicación al modelo de Ising en campo transversal en una red unidimensional y bidimensional exhibe una precisión comparable al método de configuración estocástica propuesto por Carleo y Troyer, Science 355, 602-606 (2017), pero no requiere calcular la (pseudo-)inversa de una matriz.