신경망 양자 상태 (Neural-network quantum states)는 양자 다체계 (quantum many-body systems)를 위한 강력한 변분 프레임워크 (variational framework)로 부상하였으며, 최근의 발전은 주로 transformer와 같은 대규모 병렬 아키텍처 (massively parallel architectures)에 의해 주도되었습니다. 그러나 순환 신경망 양자 상태 (Recurrent neural network quantum states)는 본질적으로 순차적 (sequential)이라고 간주되는 경우가 많으며, 따라서 확장성 (scalability)이 떨어지는 것으로 여겨집니다. 본 연구에서는 현대적인 순환 아키텍처 (recurrent architectures)가 빠르고 정확하며 계산적으로 접근 가능한 신경 양자 상태 시뮬레이션을 지원할 수 있음을 보여줌으로써 이러한 관점을 재검토합니다. 병렬화 가능한 순환 (parallelizable recurrence)의 최근 발전과 자기회귀 순환 파동 함수 (autoregressive recurrent wave functions)를 결합하여, 우리는 1차원 및 2차원 공간에서 변분 Monte Carlo (variational Monte Carlo) 내에서 효율적으로 학습될 수 있는 병렬 스캔 순환 신경 양자 상태 (parallel scan recurrent neural quantum states, PSR-NQS)라고 불리는 변분 안사츠 (variational ansätze)를 개발합니다. 우리는 정확한 벤치마크 결과를 입증하였으며, 반복적인 재학습 (iterative retraining)을 통해 우리의 접근 방식이 가용한 양자 Monte Carlo (quantum Monte Carlo) 데이터와 일치하면서도 $52 imes52$ 크기에 달하는 2차원 스핀 격자 (spin lattices)에 도달할 수 있음을 보여줍니다. 우리의 결과는 순환 아키텍처가 적절한 계산 자원으로 확장 가능한 신경 양자 상태 시뮬레이션을 향한 실용적이고 유망한 경로임을 확립합니다.