基于稀疏自编码器的神经量子态的机制可解释性与因果特征引导

神经量子态（NQS）是一类表达力极强的量子多体波函数变分拟设，然而其内部机制却鲜为人知：仅通过变分目标训练，NQS如何准确捕捉从未被显式优化的物理可观测量？在这项工作中，我们提出了一种使用稀疏自编码器系统分析NQS内部激活的方法。我们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、交错磁化强度和半链关联函数）在基态表示和实时动力学中均强相关。值得注意的是，这些特征的发现完全是无监督的，没有提供任何物理标签。我们进一步证明，这些特征因果地影响NQS预测的相应可观测量，表明对单个特征进行有针对性的训练后干预可以平滑且单调地引导相应的可观测量，同时使变分能量几乎不变。这些结果表明，NQS不仅仅是功能逼近器，还编码了丰富的、可解释的物理信息内部表征。我们的方法为NQS提供了诊断和干预工具，并为使用机制可解释性构建更可靠、更透明的NQS奠定了基础。