通过退火梯度下降增强神经量子态

神经量子态为量子多体波函数提供了富有表现力的表示，然而其实际精度可能受限于随机优化而非表示能力。在此，我们识别出一种有限样本不稳定性，称为子空间捕获，其中物理上重要的构型被严重低估，在连续的采样批次中缺失，并收到不足的梯度反馈。这种采样支持的自我强化损失会将优化限制在一个有效子空间内，并在真实基态能量之上产生看似平稳的状态。为解决此问题，我们引入了退火梯度下降(AGD)，一种具有退火因子的采样感知更新，它暂时增加采样到的低概率构型的相对贡献，同时限制高概率构型的主导地位。我们建立了有限样本支持损失与有效子空间优化之间的联系，然后在分子系统、一维和二维$J_1$-$J_2$模型上评估了该方法。退火梯度下降抑制了亚稳态捕获，保留了物理相关的构型，并使紧凑的神经量子态能够达到化学精度和具有竞争力的最先进性能。这些结果确立了AGD作为对表达性神经架构、改进的采样策略的一种轻量级补充，用于可扩展的量子多体优化。