量子科技中心_量科网

变分蒙特卡洛（VMC）与表达能力强的神经网络波函数相结合，已成为实现高精度基态计算的有力途径，但其实际成功取决于高效稳定的波函数优化。虽然随机重构（SR）通过虚时间演化原理提供了具有几何感知能力的预处理器，但其受Kaczmarz启发的变体——子采样投影增量自然梯度下降（SPRING）已取得当前最优的实证性能。然而，SPRING方法的有效性对类动量参数μ的选择极为敏感。参数μ的原始敏感性及其在μ=1时表现出的不稳定性，其内在机理始终未被阐明。本研究阐明了μ<1与μ=1两种机制的本质差异：在温和假设下证明了0≤μ<1的收敛保证，同时构造反例表明当步长非可求和时，μ=1会通过核相关方向上的不受控增长导致发散。基于这些理论见解和数值观测，研究人员进一步提出"主量程信息动量SR"（PRIME-SR）——一种基于有效谱维数和子空间重叠的自适应动量SR方法。该方法无需调参即能达到与最优调参SPRING相当的性能，同时显著提升了VMC优化的鲁棒性。