https://uynajgi.github.io/yuulibrary/tags/%E7%A5%9E%E7%BB%8F%E9%87%8F%E5%AD%90%E6%80%81.htmlRecent content in 神经量子态 on Yuunagi LibraryHugozh-CN© YuunagiFri, 17 Jul 2026 23:03:29 +0800https://uynajgi.github.io/yuulibrary/papers/pwo-neural-quantum-states/index.htmlSun, 05 Jul 2026 00:00:00 +0000https://uynajgi.github.io/yuulibrary/papers/pwo-neural-quantum-states/index.html<h2 id="再来一次从强化学习视角重新审视神经量子态">再来一次：从强化学习视角重新审视神经量子态<a class="anchor" href="#%e5%86%8d%e6%9d%a5%e4%b8%80%e6%ac%a1%e4%bb%8e%e5%bc%ba%e5%8c%96%e5%ad%a6%e4%b9%a0%e8%a7%86%e8%a7%92%e9%87%8d%e6%96%b0%e5%ae%a1%e8%a7%86%e7%a5%9e%e7%bb%8f%e9%87%8f%e5%ad%90%e6%80%81">#</a></h2> <p>Juan Agustín Duque^1,2,∗ Sergio García-Heredia^2,∗ Vinicius Hernandes³ Eliška Greplová³ Thomas Spriggs^3,† Aaron Courville^1,4,† Anna Dawid^2,†</p> <p>¹Mila Quebec AI Institute, Université de Montréal, Montréal, Canada</p> <p>²Applied Quantum Algorithms ⟨aQa$\mathbb{L}$⟩, LIACS &amp; LION, Leiden University, Leiden, Netherlands ³QuTech and Kavli Institute of Nanoscience, Delft University of Technology, Delft, Netherlands</p> <p>⁴CIFAR AI Chair <a href="mailto:juanduquevan@gmail.com">juanduquevan@gmail.com</a> ^∗共同第一作者。 ^†共同指导。</p> <h3 id="摘要">摘要<a class="anchor" href="#%e6%91%98%e8%a6%81">#</a></h3> <p>神经量子态（NQS）提供了近似量子多体波函数的灵活且可扩展的框架。在 NQS 参数化中，自回归模型尤其具有吸引力，因为它们能够从 Born 分布中实现精确且独立的采样，避免了马尔可夫链方法中的自相关和混合问题。然而，它们的优化仍然相对未被充分探索：Adam 是一种可扩展的方法，但忽略了函数空间几何，而随机重构虽然原理上严谨，但在大模型中成本高昂且数值不稳定。为了解决这一差距，我们展示了变分能量最小化可以看作是 Born 分布上的优势策略梯度问题，从而为 NQS 训练提出了信任域优化。我们引入了近端波函数优化（PWO），这是一种原理严谨的信任域算法，它裁剪幅值通道中的概率比变化和相位通道中的相位增量。PWO 避免了显式矩阵求逆，在多次更新中重复使用样本，并将一阶优化的可扩展性与理论保证相结合。在伊辛和受挫的 $J_{1} {-} J_{2}$ 一维和二维自旋系统中，PWO 相对于 Adam、minSR 和 SPRING 提高了稳定性和实际时间收敛。最后，我们微调了一个 1.5B 参数的 RWKV-7 模型，展示了在规模上比先前工作高出三个数量级的 NQS 优化。</p>