量子科技中心_量科网

高维神经网络模型（如神经量子态模型）的变分优化是机器智能领域面临的重大挑战。传统一阶随机优化方法（如Adam）存在收敛速度慢、超参数敏感和数值不稳定等问题，难以满足基础科学研究所需的高精度要求。该研究团队通过引入隐式重启Lanczos算法作为核心优化引擎，突破这一关键瓶颈。其创新性在于构建了一个本质稳定的二阶优化框架，将病态参数更新问题转化为小型良态厄米特特征值问题。该算法通过隐式重启Lanczos方法高效稳健地求解该问题，自动确定最优下降方向和步长，既无需复杂超参数调优，又规避了传统迭代求解器的数值不稳定性。实验表明，该方案仅需3-5次优化步骤即可使浅层神经量子态架构（参数规模降低数个数量级）持续达到1e-12千卡/摩尔的极端精度。以F2分子为例，相较Adam优化器实现了约17,900倍的总运行时间加速。该工作确立了隐式重启Lanczos算法作为量子变分模型的优越二阶优化策略，为神经网络在量子物理化学领域的高保真应用开辟了道路。