多体物理与深度学习的交叉领域催生了神经量子态（NQS）。针对传统方法难以处理的高维受挫系统，Transformer的全局注意力机制为捕捉复杂的量子关联提供了有效工具。近期发布的一篇指南详细介绍了如何结合NetKet和JAX，构建研究级的变分蒙特卡洛（VMC）流水线，以解决受挫的J1-J2海森堡自旋链问题。
该指南演示了构建自定义基于Transformer的NQS架构，并使用随机重配置（自然梯度下降）优化波函数的过程。此外，教程还涵盖了将结果与精确对角化进行基准比对、分析涌现量子相，以及通过扫描不同J2值探索受挫相图，并计算结构因子峰值以检测可能的有序相变。
这一方法验证了Transformer架构在量子模拟中的准确性，建立了一个灵活的基础框架。该框架未来可扩展至更高维度的晶格、对称投影态、纠缠诊断以及含时量子模拟，从而突破小系统精确方法的局限，探索经典方法难以触及的量子磁性。