NetKet

NetKet 是一个开源项目，利用人工神经网络和机器学习技术提供用于研究多体量子系统的前沿方法。 它是一个基于 JAX 构建的 Python 库。

NetKet 是 numFOCUS 的附属项目。

• 主页: https://www.netket.org
• 引用: https://www.netket.org/cite/
• 文档: https://netket.readthedocs.io/en/latest/index.html
• 教程: https://netket.readthedocs.io/en/latest/tutorials/gs-ising.html
• 示例: https://github.com/netket/netket/tree/master/Examples
• 源代码: https://github.com/netket/netket

安装与使用

NetKet 支持 MacOS 和 Linux 系统，需要 Python 3.11 或更高版本。我们建议使用 pip 或 uv 来安装 NetKet。请勿使用 conda，因为通过 conda 安装 JAX 存在已知问题。

pip install --upgrade pip
pip install netket

带 GPU 支持（仅限 Linux）:

pip install 'netket[cuda]'

开发版本:

pip install git+https://github.com/netket/netket.git

有关包括 GPU 设置在内的详细安装说明，请参阅我们的 安装指南。

入门

要开始使用 NetKet，我们建议您查看我们的 教程页面，可以在您的计算机上运行，也可以在 Google Colaboratory 上运行。 此外，我们还提供了许多示例脚本，您可以下载、运行并编辑它们来展示 NetKet 的一些应用场景，尽管这些脚本没有注释。

如果您想与我们取得联系，欢迎在 GitHub 上提交问题或发起讨论，或者加入 MLQuantum Slack 社区，那里有许多参与 NetKet 项目的成员。要加入该 Slack 频道，只需接受 此邀请 即可。

许可证

Apache License 2.0

NetKet 快速上手指南

NetKet 是一个基于 JAX 构建的开源 Python 库，旨在利用人工神经网络和机器学习技术研究多体量子系统。

环境准备

• 操作系统：macOS 或 Linux（GPU 支持仅限 Linux）
• Python 版本：3.11 或更高
• 前置依赖：
  • 推荐升级 pip 至最新版本
  • 注意：请勿使用 conda 安装，JAX 在 conda 环境下存在已知兼容性问题

安装步骤

基础安装（CPU 版本）

适用于 macOS 和 Linux 用户：

pip install --upgrade pip
pip install netket

GPU 加速安装（仅 Linux）

如需启用 CUDA 支持：

pip install 'netket[cuda]'

开发版安装

体验最新功能（可能不稳定）：

pip install git+https://github.com/netket/netket.git

💡 国内用户提示：若下载速度较慢，可添加国内镜像源加速，例如：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple netket

基本使用

以下是最简单的使用示例：初始化一个用于研究横场伊辛模型（Transverse Field Ising Model）基态的变分蒙特卡洛流程。

import netket as nk
import jax.numpy as jnp

# 1. 定义晶格结构 (1D 链，20 个站点)
lattice = nk.graph.Chain(length=20)

# 2. 定义希尔伯特空间 (自旋 1/2 系统)
hi = nk.hilbert.Spin(s=0.5, N=lattice.n_nodes)

# 3. 定义哈密顿量 (横场伊辛模型)
hamiltonian = nk.operator.Ising(hilbert=hi, graph=lattice, h=1.0)

# 4. 定义变分波函数 (使用全连接神经网络)
ma = nk.models.RBM(alpha=1, param_dtype=float)

# 5. 定义采样器 (局部翻转采样)
sa = nk.sampler.MetropolisLocal(hilbert=hi)

# 6. 定义优化器
optimizer = nk.optimizer.Sgd(learning_rate=0.01)

# 7. 创建变分态
vs = nk.vqs.MCState(sa, ma, n_samples=1000)

# 8. 执行基态能量最小化 (VMC)
gs = nk.VMC(hamiltonian, optimizer, variational_state=vs)

# 运行 300 步优化
gs.run(n_iter=300)

print(f"基态能量估计值：{vs.expect(hamiltonian)}")

运行上述代码前，请确保已安装 NetKet。更多详细教程和示例脚本请访问 官方文档。