量智信息中心_量科网

神经量子态（NQS）是一类表达能力极强的变分拟设，用于描述量子多体波函数，但对其内部机制的理解却十分有限：仅通过变分目标进行训练，NQS 如何能够准确捕捉那些从未被明确优化过的物理可观测量？在这项工作中，该团队提出了一种系统方法，利用稀疏自编码器分析 NQS 的内部激活。该团队从残差流中提取特征，并证明这些特征与物理可观测量（如序参量、交错磁化强度以及半链关联量）存在强相关性，无论是基态表征还是实时动力学过程。值得注意的是，这些特征的发现完全是无监督的，未提供任何物理标签。该团队进一步证实，这些特征因果性地影响 NQS 预测的相应可观测量。研究表明，在训练后对\textit{单个}特征进行定向干预，能够平滑且单调地调控对应的可观测量，同时几乎不改变变分能。这些结果表明，NQS 不仅仅是函数逼近器，还编码了丰富、可解释的物理信息内部表征。该工作为 NQS 提供了一种诊断与干预工具，并为利用机械可解释性构建更可靠、透明的 NQS 奠定了基础。