蒙特卡洛方法（Monte Carlo method），也称统计模拟方法，是二十世纪四十年代中期由于科学技术的发展和电子计算机的发明，而被提出的以概率统计理论为指导的一类非常重要的数值计算方法。对于一大类凝聚态多体系统，蒙特卡洛计算的效率很低，包括在临界点附近的临界慢化，在阻挫磁体中复杂而难以遍历的低能构型，也包括玻色子、费米子系统中多种相互作用导致的计算复杂度增大等情况。这些情况使得普通的蒙特卡洛局域更新策略束手无策，即使是高效的集团更新方法，也只能解决某些特例，没有普适的方案。
    最近，量子调控与量子信息专项项目“量子自旋阻挫体系和自旋液体中的新奇量子效应及调控研究”中，中国科学院物理研究所许霄琰和孟子杨与麻省理工学院合作，发展出 “自学习蒙特卡洛方法（Self-learning Monte Carlo method, SLMC）。通过自我观照、自我学习蒙特卡洛构型，设计出更加有效的更新方法，解决了凝聚态量子多体系统蒙特卡洛仿真中临界慢化和接收概率低等瓶颈性问题，推动了该领域的发展。
    从经典系统，到巡游费米子与经典自旋的耦合（双交换模型），再到巡游费米子的量子多体系统，自学习蒙特卡洛比传统的蒙特卡洛方法大大前进了一步。通过观察蒙特卡洛构型，用自学习的方法，可以拟合出描述系统低能物理的有效模型，相比于原始模型，有效模型易于模拟，通过对于有效模型的累积性更新，克服临界慢化的难题。可以善用细致平衡条件，使得通过有效模型对于原始模型的更新，保持近乎完美的接收概率。由于这两个优势，自学习蒙特卡洛可以极大地减少计算复杂度，在困难的凝聚态量子多体问题中，获得上千倍的加速。对于相互作用的费米子体系，100x100 的晶格已经可以模拟，这是领域内期盼多年的结果。