量子科技中心_量科网

变分蒙特卡洛（VMC）是一种快速发展的强大方法，可用于优化和演化参数化多体波函数，尤其适用于现代神经网络量子态。然而在实际应用中，由于量子波函数普遍存在的节点特性，构成该方法核心的随机估计量可能变得不稳定或存在偏差。在连续情况下，这会导致具有潜在发散方差的重尾估计量；而在离散希尔伯特空间中，采样分布可能遗漏形成无偏估计量所需的部分支撑集。这些统计病理现象会导致随机重构中的优化轨迹不可靠，或时变变分蒙特卡洛（t-VMC）中的变分动力学错误，严重限制数值模拟的效力。该研究团队提出模糊采样法来解决这些难题，该方法具有多项严谨特性，使其表现稳定、高效且有效。此外，这种后处理方法无需修改底层采样器即可使用，且仅产生极小开销。研究人员通过在标准采样方法已知会失效的多个代表性案例中验证其有效性，并将其应用于自旋动力学的大规模问题。这项工作为稳健的VMC和t-VMC计算建立了具有广泛适用性的框架。