この論文は、核物理で使う「結合定数」を変えたときも一つの機械学習モデルで連続的に波動関数を出せる手法を示します。結合定数とは低エネルギー結合（LEC: low-energy couplings）と呼ばれるパラメータで、核力の細かい強さを決めます。研究者は、結合定数を入力に取る「パラメトリックなニューラル量子状態（NQS: neural quantum state）」を提案し、デューテロン（陽子と中性子の結合した最軽量の核）と二体散乱で確かめました。結果として、結合定数を変えるたびに再学習しなくても高精度な波動関数を得られると報告しています。

具体的には、著者らは局所的なチャイラル有効場理論（EFT: effective field theory）に基づく二体相互作用を使い、第三次までの項（次々最良近似、N2LO に相当）を扱いました。長距離のピオン交換項は固定し、短距離で現れる接触項に対応する最大9個のLECを変えて評価しています。NQSは位置情報に加え、LECと散乱運動量などを入力として受け取り、波動関数そのものを出力します。出力された波動関数からは任意の静的な観測量（期待値）を計算できます。

実験的な検証として、ニュートロン・陽子の弾性散乱での位相シフトを、古典的なリッパーマン–シュウィンガー方程式で得た解と比較しました。図示された比較では、後処理のために用意した1万点のLECサンプルに対してNQSがよい近似を示しており、誤差分布も評価しています。計算はPythonのライブラリ jax と equinox を使って行われています。従来のNQS計算は一件の計算で数時間かかることがあり、結合定数空間を多数評価する場合は現実的でないため、パラメトリックNQSはこの時間的コストを大きく下げる可能性があります。

この手法が重要な理由は二つあります。第一に、LECの値を実験データに合わせて調整する（キャリブレーション）には多くの波動関数評価が必要で、従来は高価でした。パラメトリックNQSなら一度学習すればその範囲内で何度でも波動関数を呼び出せます。第二に、NQSが波動関数そのものを返すため、特定の観測量だけを学習する“エミュレータ”と違い、任意の静的観測量を後から計算できます。

重要な注意点と限界も明示されています。今回の実証は二体系（デューテロンと二体散乱）に限られています。使用した相互作用ではピオン交換の結合は固定し、短距離のLECのみを変えています。また、デューテロンの学習では、学習域のすべてのLECで確実に束縛状態が存在することが必要です。著者らは学習用のLECサンプルを事前にポスターリオル（事後分布）から取り出したリストからランダムに引く方法を使いましたが、この手法はLEC間の相関を反映しないため学習に予測不能な偏りを導入する可能性があると警告しています。将来的にはノーマライジングフローのような無偏なサンプリング法を用いる検討が必要だと述べています。