量子多体问题的困难,并不只是粒子很多。对于 N 个两态自由度,一个一般纯态在选定基底中有二的 N 次方个复振幅。即使每个自由度只有两个选项,直接存下完整波函数也会很快超出计算资源。物理计算因此需要利用特殊结构,寻找既紧凑又足够准确的表示。
Carleo 与 Troyer 在 2017 年提出以神经网络表示多体波函数,并通过变分计算求解若干自旋模型的基态与动力学。这条路线后来被称为神经网络量子态。它的核心问题不是网络能不能输出一个数字,而是这个数字能否共同构成正确的量子态,以及有限采样与优化是否支持所宣称的物理精度。

网络压缩的是振幅规则,而非列出所有构型
设一个自旋构型记为 s。网络接收每个位置的自旋,输出与复振幅 ψ(s) 有关的量。同一组网络参数在所有构型之间共享,因此不需要为每个基矢单独保存一个独立参数。这种表示相当于学习一条生成振幅的规则,能够在需要时查询某个构型,而不必事先展开整张振幅表。
原始研究使用受限玻尔兹曼机作为具体变分形式。可见节点对应物理自旋,隐藏节点提供辅助变量;由于隐藏节点之间没有直接连接,相关求和可以解析处理,得到可有效计算的波函数表达式。这里的网络参数一般可以取复数,以同时描述振幅与相位。若只保留正实数输出,适用的量子态范围就会改变。
参数较少说明表示紧凑,却不保证任意量子态都能被紧凑表示。Deng 等关于神经网络量子态纠缠的研究,展示了这类表示具有不同于某些传统形式的表达能力。但“存在一个合适的表示”“能够找到参数”和“能够高效采样”是三项不同要求,理论上的表达能力不会自动解决后两项。
用哈密顿量训练,数据标签从哪里来
求基态时,常用的目标是最小化归一化试探态的能量期望值。对于同一个厄米哈密顿量,变分原理保证其精确期望值不低于真实基态能量。这提供了物理上明确的优化标准,也使这项任务区别于用已知正确波函数做普通监督拟合:不需要先为每个构型准备精确振幅标签。
实际计算通常按 |ψ(s)|² 所对应的概率分布采样,再通过局域能量估计期望值。局域能量涉及哈密顿量连接到的其他构型以及波函数振幅之比。对于局域自旋哈密顿量,一次构型更新可能只涉及少量自旋翻转,因此有机会高效计算这些比值。但具体成本仍依赖网络结构和相互作用形式。
有限样本得到的是能量估计,并非精确能量。统计波动可能使一次估计偶然低于真实基态能量,这不代表变分原理失效。报告中应同时给出采样误差、相关时间与独立复算结果。若只展示训练过程中出现的最低一次估计,还会引入挑选极端波动的偏差。
打开 HTML 互动演示 · 概率分布相同,量子关联也相同吗?
一个合成算例:能量很准,波函数为何未必很准
考虑一个仅含两个本征态的合成例子,基态能量为零,第一激发态能量为 Δ。取归一化试探态 √(1−p)|0⟩ + √p|1⟩,其能量误差恰为 pΔ。设 Δ 等于 0.01,而能量误差为 0.001,则激发态权重 p 仍然可以达到 0.1。能量数值看起来很小的误差,并不一定对应接近一的基态保真度。
如果能隙更小,同样的能量误差容许更大的态误差。近简并系统因此尤其需要检查关联函数、对称性或其他观测量。对基态非简并且已知能隙的情况,能量差可以给激发成分提供约束;若能隙未知,或者体系大小增加时能隙趋近零,就需要谨慎解释这类界限。
能量方差提供另一种诊断。精确本征态的能量方差为零,因此方差下降能提示试探态更接近某个本征态。但激发本征态的方差同样为零,低方差本身不能证明找到基态。可靠验收需要将能量位置、方差、对称性扇区与其他独立信息结合,而不是寻找一个可以包办所有正确性的数字。
优化与采样为什么会互相影响
网络权重的更新需要估计能量梯度或与之有关的统计量。采样没有充分探索构型空间时,优化器看到的目标也会失真。例如概率集中在几个相隔很远的区域,单条马尔可夫链长时间困在其中一个区域,就可能得到看似稳定、实际有偏的更新方向。增加迭代次数不必然改善这种问题。
原始工作使用与随机重构相关的变分优化思路。Sorella 的研究为多参数波函数的这类优化提供了重要基础:更新需要考虑波函数参数变化所对应的几何,而不只是对每个参数做相同尺度的普通梯度移动。数值上仍要处理统计噪声、近奇异矩阵和正则化,优化超参数会影响稳定性。
可操作的检查包括从不同初态启动多条链、比较链之间的能量与磁化分布、估计自相关,以及改变采样长度后重新计算结果。多个网络初始化也应独立完成优化,再比较最终能量与目标观测量。若不同运行给出相近能量却完全不同的长程关联,这个分歧本身就是需要解释的科学结果。
例如在一个合成测量序列中,虽然保存了一万个样本,但若相关性使有效独立样本数只相当于两百个,按一万个独立样本计算的标准误就可能低估约七倍。这个数字只是说明相关样本的影响,真实有效样本数需要针对具体观测量估计。能量相关时间较短,也不意味着长程关联函数的相关时间同样短。
对称性、符号与相位应该放在哪里
若哈密顿量具有平移、旋转或自旋翻转等对称性,可以在表示中显式加入这些约束,也可以通过对称化波函数或选择特定扇区减少搜索范围。这样既可能提高样本效率,也能避免网络把资源用在无关的对称性破缺上。但前提是所施加的对称性确实符合目标态和边界条件。
相位结构往往比概率分布更难处理。两个波函数可以拥有相同的构型概率,却因为相对符号或相位不同,对非对角观测量给出不同结果。只比较采样图像或对角相关函数,可能遗漏这类错误。受挫磁体和费米体系中的符号结构,更不能根据在简单无受挫模型上的成功直接推断。
还应检查表示是否无意中排除了某些态。例如固定总磁化扇区有助于比较特定模型,但若目标哈密顿量不保持该量,限制采样就会改变问题。每一次加入物理先验,都应明确它减少的是无关自由度,还是对原本未知的答案作了额外假设。
对称化还可能增加计算成本,因为同一个构型需要在多个对称变换下求值。评价时应把这种代价计入总成本,并与直接具有相应对称性的结构比较。物理先验的收益应表现为更稳定的优化、更少的样本或更准确的目标量,而不只是形式上满足一个约束。
可信基准应从小系统一路连到目标规模
小系统可以用精确对角化获得能谱、波函数和关联函数,适合检查振幅、相位与测量代码。规模扩大后,完整波函数往往不可得,但仍可与张量网络、适用的量子蒙特卡洛或其他高精度方法比较。不同方法各有适用范围,交叉一致比只与某一篇旧结果比较更有说服力。
比较资源时,应报告参数数目、采样数量、总训练成本与最终测量成本。一个网络的参数较少,可能需要更长的采样或更困难的优化;另一个表示的参数较多,却能直接采样。若只比较内存或一次前向计算时间,无法判断哪种方法更有效地求出了目标物理量。
用于最终报告的样本,最好与更新网络权重时使用的样本分开生成。优化会主动选择使训练估计下降的参数,若直接把同一批有噪声的估计当作最终测量,可能低估选择偏差。固定训练完成的权重后,延长独立测量、检查不同批次是否相容,能够让最后的误差条具有更清楚的统计含义。
尺度检验也应围绕物理结论展开。若研究长程有序,就应观察不同系统尺寸下的相关函数或结构因子;若研究激发态或能隙,必须说明正交约束与误差传播。单位格点能量误差很小,并不自动保证两个接近态的总能量差已被准确分辨。对相图的结论,还需要将变分误差与有限尺寸误差分开处理。
动力学结果还需要额外的时间检验
时间演化中,变分态只能在网络能够表示的流形上移动。即使初态精确,演化也可能逐渐积累投影误差;时间步长、采样噪声和纠缠增长都会影响可靠时长。原始论文对若干模型展示了动力学应用,这支持具体问题上的可行性,但不保证长期演化普遍容易。
适合的检查包括缩小时间步长、增加网络容量、增加测量样本,以及在小系统上对照精确演化。孤立系统的归一化与能量守恒也值得监测,不过满足守恒量仍不足以证明所有局部观测量正确,因为不同轨迹可能共享相同总能量。应对最终关心的关联传播或振荡频率做独立收敛分析。
神经网络量子态提供了新的变分表示,而它是否解决了某个具体多体问题,仍要由可重复的优化、采样与物理量检验决定。如果增加容量后结果不稳定,或者相位敏感的量持续偏离基准,应明确当前可靠范围。把这些边界写清楚,才能区分一个紧凑的试探态与一个已经得到充分验证的物理解。








