🔬 condensed matter

Neural Network-Augmented Pfaffian Wave-functions for Scalable Simulations of Interacting Fermions

本文引入了隐性费米子派费安（Hidden Fermion Pfaffian State, HFPS）态，这是一种由神经网络增强的波函数，它结合了神经量子态的灵活性与派费安（Pfaffian）的超导配对能力，从而在模拟包括非配对相和超导相在内的吸引及排斥哈伯德（Hubbard）模型时，实现了最先进的精度。

原作者： Ao Chen, Zhou-Quan Wan, Anirvan Sengupta, Antoine Georges, Christopher Roth

发布于 2026-09-22

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Ao Chen, Zhou-Quan Wan, Anirvan Sengupta, Antoine Georges, Christopher Roth

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在量子材料的微观世界中，电子并不像孤独的旅行者那样行事。当它们被紧密地挤压在固体中时，它们会变得对彼此异常敏感，在一种复杂的、集体性的舞动中相互推搡与拉扯，从而产生奇异而强大的现象。其中最引人入胜的行为之一便是超导性——在这种状态下，电流以零电阻流动。虽然我们了解简单超导体的原理，但那些最令人兴奋且最有用的材料——即能在更高温度下无电阻导电的材料——仍然是一个谜。这些“非常规”超导体（通常发现于铜基陶瓷中）涉及的电子彼此紧密耦合，以至于其行为无法通过观察单个电子来预测。为了理解它们，科学家必须同时模拟整个电子群体，这是一项极其困难的任务，因为可能的排列组合数量增长得如此之快，以至于即使是世界上最强大的超级计算机也会迅速耗尽时间和内存。

几十年来，研究人员一直试图利用数学捷径来驯服这种复杂性，但这些方法往往无法捕捉到定义这些奇异材料的微妙的长程连接。最近，一种借鉴自人工智能领域的新方法脱颖而出。科学家不再依赖于僵化的、预定义的公式，而是开始训练神经网络——一种旨在识别模式的计算机系统——直接从数据中学习量子世界的规则。这种被称为“神经量子态”的方法已经彻底改变了我们对磁性材料的理解，但将其应用于超导电子却一直是一个顽固的挑战。难点在于，超导电子会形成配对，而标准的神经网络工具难以准确描述这些配对，同时还要处理观察全局所需的庞大系统规模。

在一项新的研究中，研究团队通过将神经网络的力量与一种能自然描述电子配对的特定数学结构相结合，填补了这一空白。他们开发了一种名为“隐性费米子普法夫态”（hidden fermion Pfaffian state）的新型模拟方法。要理解这意味着什么，请想象试图描述一个拥挤的房间，每个人都手牵手两两成对，但有些人还与只有当你仔细观察时才会出现的“隐形伙伴”握着手。传统方法可以很好地描述可见的配对，或者描述隐形的配对，但无法在不导致计算量变得不可行的情况下同时描述两者。研究人员的新方法就像一个精密的翻译官，能够同时追踪可见的电子以及将它们结合在一起的隐性配对相互作用。通过这样做，他们创建了一个不仅比以往尝试更精确，而且效率足以在更大规模系统上运行的工具。

团队在物理学家用于描述相互作用电子的标准模型——哈伯德模型（Hubbard model）上测试了他们的工具。他们在不同的条件下运行了模拟，改变了电子之间的相互作用强度和电子的数量。在电子相对自由移动的最简单案例中，新方法证实了其学习正确行为的能力，其结果与仅适用于微小系统的精确计算相匹配。但在电子被迫紧密配对的更困难机制中，真正的考验才刚刚开始。在电子自然倾向于形成配对的吸引相互作用模拟中，新方法准确地捕捉到了从弱配对状态到强结合状态的转变。它在弱极限情况下重现了著名的BCS理论的行为，但在相互作用变得强烈时，它远远超越了该理论——而在这种机制下，旧理论往往会失效。

或许最显著的成就，是在研究一种被称为“莫特绝缘体”（Mott insulator）的状态时，在这种状态下，电子因彼此间的排斥作用而冻结在原地，形成绝缘材料。在这种机制下，研究人员发现，他们的新方法预测系统能量的误差极小，以至于几乎无法与最精确的基准方法区分开来。这种精确度至关重要，因为材料是超导体还是绝缘体，往往取决于仅为百分之零点几的微小能量差异。能够区分这些微小能隙的能力，意味着新方法终于可以绘制出不同物相之间的精确边界，这在过去几十年里一直是主要的障碍。

研究人员还应对了一个被称为“条纹相”（stripe phase）的特别复杂的场景，这种现象出现在掺杂了额外电子的铜基材料中。在这种状态下，电子排列成高密度和低密度的交替线条，形成一种类似于衬衫条纹的图案。这种相位被认为与高温超导性密切相关，但准确模拟它一直极其困难。团队的新方法成功捕捉到了这些条纹中电荷和自旋的复杂图案，表现优于以往所有的神经网络方法。他们发现，即使在这种绝缘状态下，仍然存在电子的短程配对，这一发现表明，即使在材料成为真正的超导体之前，超导性的种子可能就已经存在。这种洞察力之所以成为可能，是因为他们的方法能够处理观察这些图案所需的较大系统规模。

成功的关键不仅在于新的架构，还在于他们优化计算机代码运行效率的方式。通过使用特定的数学技巧来减少所需的计算量，他们将模拟过程的速度提高了一千倍，这比使用标准技术所能达到的速度要快得多。这种加速使得他们能够模拟包含数百个格点的系统，这在以前是此类神经网络方法无法企及的规模。结果显示，该方法具有良好的规模扩展性，这意味着它可以应用于未来更大、更复杂的材料，而不会损失精度。

这项工作的意义不仅在于解决一个特定的数学问题。通过提供一种可靠的方法来模拟强相互作用电子，研究人员为理解高温超导性的机制打开了一扇大门。他们证明了，以一种此前被认为是不可能的细节水平来模拟这些系统是完全可行的，既能捕捉绝缘体的长程有序，也能捕捉超导体的短程配对。研究表明，解锁这些材料秘密的关键，可能在于能够灵活适应不同类型电子行为的方法，而不是将它们强行塞入单一、僵化的模具中。正如作者所言，这种方法很快就可以应用于更复杂的材料，例如具有多种电子轨道的材料，或包括磁场和原子扭转层效应的模型。

最终，这项工作代表了在探索量子世界征途中迈出的重要一步。它证明了通过将人工智能的模式识别能力与量子力学的深层物理洞察相结合，科学家现在可以应对曾经被认为难以处理的问题。这种新方法不仅仅提供了一个稍好一点的近似值；它提供了一种从根本上更强大的方式，来探索物质在其最基本层面的行为。随着研究人员不断完善这些工具，他们或许最终能够设计出具有定制属性的新材料，从而潜在地引领产生利用量子力学全部力量的新一代技术。通往理解非常规超导性的道路很长，但这项研究为下一阶段的旅程提供了一份清晰且可靠的地图。

技术摘要：用于可扩展相互作用费米子模拟的神经网路增强型 Pfaffian 波函数

问题陈述

开发准确的数值方法来研究强相互作用费米子仍然是凝聚态物理学中的一个关键挑战，特别是对于理解非常规超导性和如铜氧化物等量子材料。这些系统通常表现出具有截然不同物理特性的相，且其能量差异极小（通常在电子能量的千分之一量级），这需要极高的计算精度来解析相图。

现有方法面临显著局限性：

变分波函数方法： 虽然功能强大，但其准确性高度依赖于特定的参数化方案和物理偏置（ansatz）。
神经量子态 (NQS)： 尽管 NQS 在研究自旋系统中取得了革命性进展，但其在费米子晶格问题上的应用进展缓慢。之前的费米子 NQS 架构（例如 PP+RBM、神经网络回流 Backflow、隐藏费米子行列式态）要么依赖于将神经网络作为均场态的弱修正（广义 Jastrow 因子），要么受到不利的标度复杂度限制，使其仅限于小规模系统。
超导建模： 标准的 Slater 行列式无法自然地描述超导配对。虽然 Pfaffian 波函数（投影 BCS 态）可以描述配对，但如何将其与具有表达能力的深度神经网络以可扩展的方式结合起来，在很大程度上仍有待探索。

方法论：隐藏费米子 Pfaffian 态 (HFPS)

作者提出了 隐藏费米子 Pfaffian 态 (HFPS)，这是一种将隐藏费米子形式推广到 Pfaffian 空间的变分 ansatz。

架构

扩展希尔伯特空间： 该方法在包含 $N$ 个可见费米子和 $\tilde{N}$ 个隐藏费米子的扩展希尔伯特空间中引入了“隐藏”费米子。
Pfaffian 结构： 波函数定义为由可见-可见 ( $F_{vv}$ $F_{v v}$ )、可见-隐藏 ( $F_{vh}$ $F_{v h}$ ) 和隐藏-隐藏 ( $F_{hh}$ $F_{hh}$ ) 扇区之间的耦合构成的矩阵的 Pfaffian。
- $F_{vv}$ ：代表均场配对项和动能项。
- $F_{vh}$ 和 $F_{hh}$ ：这些矩阵由人工神经网络 (ANN) 参数化，以捕捉高阶相关性。
神经网络集成：
- 网络输出被重塑以符合所需的矩阵维度。
- 为了处理 $F_{hh}$ 的 $N \times N$ 结构，作者利用了反对称矩阵的谱理论。他们将 $F_{hh}(n)$ 分解为 $F_{hh}(n) = V^T(n)\tilde{F}_{hh}V(n)$ ，其中 $\tilde{F}_{hh}$ 是一个固定的变分参数，而 $V(n)$ 是由 ANN 生成的酉矩阵。
- 这种分解使得隐藏-隐藏配对在 Pfaffian 核心中独立于输入构型 $n$ ，而 $n$ 依赖性被吸收进一个 Jastrow 因子 $J(n) = \det(U(n))$ 中。
初始化策略： 为了避免训练过程中的局部极小值，均场分量 ( $F_{vv}$ ) 从预优化的均场态（Slater 行列式、BCS 或 Thouless 态）进行初始化，这些状态与预期基态具有显著的重叠。

优化与标度

训练： 模型使用随机重构 (SR) 进行优化，以执行虚时演化。作者采用了最小范数 SR (MinSR) 和次采样投影增量自然梯度下降 (SPRING)。
复杂度降低： 该方法的一个主要贡献是降低了计算复杂度。标准的带有 Pfaffian 的 VMC 随系统规模呈 $O(N^5)$ $O (N^{5})$ 增长。作者实现了两种关键技术来降低复杂度：
1. 低秩更新 (LRU)： 利用相互作用的局部性，增量式地更新 Pfaffian 而不是从头开始重新计算，从而将成本从 $O((N+\tilde{N})^3)$ 降低到 $O(N^2\tilde{N})$ 。
2. 子晶格对称性： 利用子晶格结构来减少平移对称性投影所需的项数。
结果复杂度： 这些技术将前向传播复杂度降低至 $O(N^2)$ ，并将总 VMC 步长复杂度降低至 $O(N^3)$ ，使大规模模拟成为可能。

关键结果

HFPS 在 2D 方格 Hubbard 模型下的各种机制中进行了测试：

小规模基准测试（4×4 晶格）：
- 在费米液体机制下，HFPS 比之前的最先进方法——隐藏费米子行列式态 (HFDS)——将相对能量误差降低了约 100 倍。
- 这种改进归功于使用了深度网络架构 (CNN)，这类架构由于形状不兼容性很难在 HFDS 中实现。
吸引型 Hubbard 模型（超导性）：
- HFPS 成功模拟了弱耦合（BCS 机制）和强耦合（BEC 机制）下的 $s$ 波超导。
- 它准确地捕捉了对-对相关性，并实现了 $\sim 10^{-4}$ 的相对能量误差，显著优于由于低估量子涨落而在强耦合下失效的标准 BCS 波函数。
Mott 绝缘体（半填充，排斥型）：
- 在反铁磁 Mott 绝缘体相中，HFPS 达到了比现有方法（如 PP+RBM、HFDS 和键维 $D=16$ 的 fPEPS）更低的相对能量误差 ( $\epsilon_{rel}$ )。
- 该方法优于近期的 Transformer-NNBF 结果，达到了与基准辅助场量子蒙特卡洛 (AFQMC) 结果不确定度相当的精度水平。
条纹相（掺杂，排斥型）：
- 对于已知存在条纹序的挑战性 $U=8$ , $1/8$ 空穴掺杂机制，HFPS 提供了迄今为止最准确的变分能量。
- 在 $16 \times 4$ 晶格上，HFPS 实现了 $\epsilon_{rel} = 1.2 \times 10^{-5}$ ，超越了 Transformer-NNBF 和张量回流 (TBF)。
- 结果证实了存在具有预期周期性的自旋密度波 (SDW) 和电荷密度波 (CDW)。至关重要的是，该方法还检测到了即使在没有长程超导序的相中也共存的有限短程 $d$ 波配对。

重要性与主张

论文声称 HFPS 代表了一种最先进的变分方法，用于研究相互作用费米子，它提供了：

前所未有的精度： HFPS 在许多机制下始终优于现有的变分方法（包括 HFDS、NNBF 和 fPEPS）一个数量级以上，通常达到了基准 QMC 方法的精度极限。
可扩展性： 通过将渐近复杂度降低至 $O(N^3)$ ，HFPS 能够模拟以前高精度 NQS 方法无法触及的大规模费米子系统（例如 400 个位点）。
配对的多样性： 与基于行列式的方法不同，Pfaffian 结构自然地容纳了非配对和超导相，包括 $s$ 波、 $p$ 波和 $d$ 波配对。
解决竞争相： 高精度使 HFPS 能够解析竞争相之间微小的能量差异（例如密度波与超导性之间），这对于绘制强关联材料的相图至关重要。

作者得出结论，HFPS 将费米子 NQS 从小规模系统的“原理验证”研究，推向了能够处理复杂、长程相关问题的系统化工具。