通过模糊抽样消除变分蒙特卡罗中的节点与支撑不匹配病理

变分蒙特卡罗（VMC）是一种强大且快速发展的方法，用于优化和演化参数化的多体波函数，尤其是结合现代神经网络量子态。然而，实际中，构成该方法基础的随机估计量因波函数中常见的节点的存在而可能不稳定或偏置。在连续空间中，这导致重尾估计量的方差可能发散，而在离散希尔伯特空间中，抽样分布可能遗漏构成无偏估计量所需的支撑部分。这些统计病理导致在随机重配置中不可靠的优化轨迹，或在时变变分蒙特卡罗（t-VMC）中不正确的变分动力学，严重限制了数值模拟的潜力。我们引入模糊抽样以解决这些困难。该方法具有若干严格属性，使其良好、有效且高效。此外，它是一种后处理方法，可在不修改底层抽样器的情况下使用，仅产生最小开销。我们在几个代表性示例上演示了其有效性，其中标准抽样方法已知会失败，并将其应用于大规模自旋动力学问题。本工作为稳健的VMC和t-VMC计算建立了一个广泛适用的框架。