量子科技中心_量科网

神经网络量子态（NQS）为表示量子多体波函数提供了强大且富有表现力的拟设。然而，通过变分蒙特卡洛（VMC）方法对其进行训练仍具挑战性。众所周知，某些场景——如量子化学中出现的尖锐峰波函数——会导致高方差梯度估计器，从而阻碍变分优化的有效性。该工作研究了一种通过自适应调节重要性采样来解决采样问题的系统性策略。该团队提出的方法明确设计为：(i) 针对梯度估计器而非损失函数；(ii) 不引入额外超参数；(iii) 计算成本低廉。研究人员在包括受挫自旋系统和从头算量子化学在内的多种哈密顿量基态搜索中对该方法进行了基准测试，并在神经投影量子动力学背景下的保真度最小化方面展示了系统性改进。总体而言，该方法可将原始VMC的计算成本显著降低，针对高度峰化的量子化学波函数时最高可达100倍。