量智信息中心_量科网

神经量子态（NQS）为近似量子多体波函数提供了一个灵活且可扩展的框架。在NQS参数化方法中，自回归模型尤其具有吸引力，因为它们能够从玻恩分布中进行精确且独立的采样，从而避免了马尔可夫链方法中的自相关和混合问题。然而，其优化方法仍相对未充分探索：Adam是一种可扩展的方法，但忽略了函数空间几何结构，而随机重配置方法虽然有理论依据，但在大模型中计算成本高昂且数值稳定性差。为填补这一空白，该工作表明，变分能量最小化可视为玻恩分布上的优势策略梯度问题，这为NQS训练的置信域优化提供了理论动机。该研究提出了近端波函数优化（PWO），一种基于原理的置信域算法，该算法在振幅通道中裁剪概率比率变化，并在相位通道中裁剪相位增量。PWO避免了显式的矩阵求逆，在多次更新中复用样本，并将一阶优化的可扩展性与理论保证相结合。在一维和二维Ising及阻挫 \(J_1\)-\(J_2\) 自旋系统中，PWO在稳定性和壁钟收敛速度上均优于Adam、minSR和SPRING。最后，该团队微调了一个15亿参数的RWKV-7模型，展示了远超先前工作三个数量级规模的NQS优化。