🔬 physics

An Iterative Dual-Channel Neural Quantum State Algorithm for Selected Configuration Interaction

本文介绍了交替迭代神经量子态（HI-NQS）算法，这是一种纯粹基于 GPU 的经典方法，它结合了双通道 Transformer 神经网络与“迭代-采样-对角化-更新”框架，从而在处理强关联系统时，相比于传统的选定构型相互作用（SCI）方法，实现了化学精度和更优越的扩展性。

原作者： Jen-Yu Chang, Yi-Chun Chang, Yu-Jui Lin, Ming-Chun Yang, Hsiu-Chi Tsai, Tai-Yue Li, Nan Yow Chen, Tsung-Wei Huang, En-Jui Kuo

发布于 2026-06-26

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jen-Yu Chang, Yi-Chun Chang, Yu-Jui Lin, Ming-Chun Yang, Hsiu-Chi Tsai, Tai-Yue Li, Nan Yow Chen, Tsung-Wei Huang, En-Jui Kuo

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

想象一下，你正试图在座庞大且大雾弥漫的城市中，寻找一条通往特定目的地（分子的最低能量状态）的最优路径。这座城市有数十亿条可能的街道（构型），但其中只有极小比例的街道能高效地引导你到达目的地。

在量子化学领域，科学家们长期以来一直致力于解决这个“城市”难题。传统方法试图绘制每一条街道的地图，但这对于大型城市来说是不可能的。其他方法则试图猜测最佳路线，但它们往往会陷入死胡同，或者错过最重要的捷径。

本文介绍了一种更聪明、更高效的城市导航方式，称为 HI-NQS。以下是通过简单类比对它的工作原理进行的解释：

1. 问题所在：“迷雾之城”

为了了解分子的行为，科学家需要解开一个复杂的数学谜题。电子（我们城市中的“汽车”）可能的排列方式数量增长极快，以至于检查所有方式变得不再可能。

旧方法 (CIPSI)： 想象一位侦探，从最明显的街道开始，逐一检查每一条街道。随着城市规模的扩大，侦探必须检查呈指数级增长的街道数量，最终会被庞大的工作量压垮。
目标： 使用尽可能少的街道检查次数，找到最佳路径。

2. 解决方案：“双车道”智能 GPS

作者创建了一种名为 HI-NQS 的新算法。你可以把它想象成一个会随着驾驶过程不断学习城市的智能 GPS。

神经网络（GPS）： 与其由人类去检查街道，不如由一个计算机程序（一种名为 Transformer 的 AI）来学习预测哪些街道是重要的。
“双通道”技巧： 电子分为两种类型：“自旋向上”和“自旋向下”。在之前的 AI 模型中，它们被视为一组混合在一起的指令。
- 创新之处： HI-NQS 将 GPS 分成了两个独立的车道（通道）。一个车道处理“自旋向上”的汽车，另一个车道处理“自旋向下”的汽车。至关重要的是，这两个车道之间会不断进行交流（交叉注意力机制/cross-attention）。
- 为什么重要： 这就像是一位交通管制员，不仅精确掌握着“自旋向上”车辆的移动情况，还能瞬间调整“自旋向下”车辆的行驶，以避免碰撞。这种对两类电子如何相互作用的内置理解，使得 AI 在寻找正确路径时更加聪明且高效。

3. “交接”循环：教练与运动员

该算法在一个循环中工作，就像教练训练运动员一样：

运动员（AI）进行预测： AI 建议一系列有潜力的街道（构型）供检查。
教练（数学求解器）进行检查： 一个强大的、精确的数学求解器会检查这些特定的街道，以在其中找到真正的最佳路径。
反馈（交接）： 这是关键所在。教练不仅仅是给出一个分数；它会将自己找到的精确解“教给”AI。它会说：“你漏掉了这个具体的细节；这就是正确答案的样子。”
更新： AI 从这些反馈中学习，更新其内部地图，然后回到步骤 1，以便下次做出更好的预测。

这创造了一个闭环：AI 提出建议，数学求解器进行求解，而数学求解器再向 AI 传授知识。它们共同进步，直到达到完美的解决方案。

4. 结果：更聪明，而非更辛苦

作者在 18 个不同的“城市”（分子）上测试了这种新的 GPS，涵盖了从小型到非常大型且复杂的系统。

准确性： 它为每一个测试案例都找到了正确答案（化学精度）。
效率： 这是它脱颖而出的地方。对于最大的“城市”（40 个“量子比特”或复杂系统），旧方法 (CIPSI) 为了获得相同的结果，需要检查的街道数量大约是 HI-NQS 的 200 倍。
扩展性： 随着城市规模的扩大，旧方法的计算量会爆炸式增长。而 HI-NQS 的工作量增长非常缓慢。这就像旧方法是在攀爬一座陡峭的山峰，而 HI-NQS 则是在乘坐电梯。

5. 底线结论

本文声称，通过使用一种尊重电子相互作用特定“规则”（双通道设计）的专门 AI 架构，并结合通过精确数学解不断教导 AI 的机制（交接循环），他们创建了一种纯粹的经典计算机方法，其效率远高于目前的先进技术。

简而言之： 他们构建了一个更聪明的导航员，能够向一张完美的地图学习，从而能以极小的计算能力解决复杂的分子谜题，而无需依赖量子计算机。

技术摘要：用于选择性组态相互作用的交接迭代神经量子态 (HI-NQS)

问题陈述
精确求解强关联系统的电子薛定谔方程受限于配置空间的指数级增长，这使得全组态相互作用 (FCI) 对于除极小活性空间外的所有系统都变得难以处理。选择性组态相互作用 (SCI) 算法通过自适应地构建紧凑的行列式展开来解决这一问题。然而，其效率受限于用于识别化学重要组态的采样策略质量。现有的方法面临特定的瓶颈：经典的 SCI 变体（如 CIPSI）在候选池中面临组合爆炸，并在子空间对角化中面临三次方标度问题；量子方法（如 VQE）由于测量开销和噪声问题，目前在规模化应用上尚不切实际；而现有的神经量子态 (NQS) 方法通常缺乏外部精度锚点，或未能显式编码费米子自旋结构，从而导致采样效率低下。

方法论：HI-NQS 算法
作者提出了交接迭代神经量子态 (HI-NQS) 算法，这是一种纯经典的方案，它将经过经典训练的自回归 Transformer NQS 嵌入到基于样本的量子对角化 (SQD) 的“采样—对角化—更新”迭代框架中。该算法通过一个包含五个关键阶段的闭环反馈回路运行：

双通道自回归采样： 波函数由 Transformer 架构建模，该架构将 Born 分布 $\pi_\theta(x)$ 分解为自旋分解的条件分布。
- 架构： 双通道设计将自旋- $\alpha$ 和自旋- $\beta$ 流分离。 $\alpha$ 流使用因果自注意力机制生成自旋向上（spin-up）的条件分布。 $\beta$ 流将因果自注意力与针对完整 $\alpha$ 配置（ $H_\alpha$ ）的交叉注意力相结合。这种设计将相反自旋的相关性作为一种架构归纳偏置显式编码，区别于以往生成式 NQS 方法中的单流编码。
- 采样： 在硬粒子数约束下，通过精确的祖先采样（ancestral sampling）抽取组态，确保了无偏样本的生成，且无需马尔可夫链混合。
混合候选生成： 为了对抗自回归采样器在后期迭代中的模式崩塌（mode collapse），该算法结合了随机 NQS 提议与确定性的经典展开。这种展开枚举了当前基组中主导行列式的单激发和双激发，确保了在哈密顿量连接的邻域内能持续获得新鲜的组态。
微扰评分与基组更新： 候选组态使用 Epstein–Nesbet 二阶微扰理论 (PT2) 重要性度量进行排序， $s(x) = |\langle x|\hat{H}|\Psi_0\rangle|^2 / |E_0 - H_{xx}|$ 。通过保留排名靠前的组态来更新累积基组。
子空间对角化： 在选定的基组内对投影哈密顿量进行精确对角化（使用 Davidson 特征值求解器），以获得基态能量 $E_0$ 和特征向量 $\Psi_0$ 。这一步提供了变分上界，并作为向经典精确对角化的“交接”。
监督蒸馏（教师-学生循环）： 生成的特征向量 $\Psi_0$ 被蒸馏回 NQS。该算法并非直接最小化能量，而是通过包含源自 $|\Psi_0|^2$ 的分解自旋边缘分布（ $p_\alpha(\sigma_\alpha)p_\beta(\sigma_\beta)$ ）的教师信号的复合损失函数进行训练。这种监督损失结合策略梯度和熵正则化项，更新网络参数，以更好地逼近精确的子空间特征向量。

核心贡献

双通道架构： 引入了具有自旋向上与自旋向下流之间显式交叉注意力的 Transformer，将费米子的 $\alpha/\beta$ 分离视为一种结构化先验，而非仅仅是学习特征。
分解监督： 一种通过分解自旋边缘分布将精确子空间特征向量蒸馏到 NQS 中的训练策略，创建了一个与双通道架构相匹配的主动监督路径。
混合采样策略： 将确定性的单/双激发与自回归采样相结合，以防止模式崩塌并确保对哈密顿量连接空间的覆盖。
纯经典可扩展性： 证明了可以在完全利用 GPU 硬件的情况下实现高性能、可扩展的 SCI 求解器，无需量子计算资源，并利用了此前在量子语境中探索过的“交接”（handover）原则（即 HI-VQE）。

结果
作者在 18 个系统中将 HI-NQS 与 CIPSI-SCI 及精确 FCI（或高精度 SHCI 近似）进行了基准测试：

精度： HI-NQS 在所有 18 个测试系统中均达到了化学精度（ $|E - E_{ref}| < 1.6$ mHa），包括十个小分子和一系列八点氮活性空间序列（CAS(6,6) 到 CAS(14,20)，涵盖 12 到 40 个量子比特）。
行列式数量缩放： 该方法表现出行列式数量 ( $N_{det}$ ) 随量子比特数变化的对数线性缩放指数 $\alpha_{NQS} = 0.089 \pm 0.011$ 。这大约是 CIPSI-SCI 缩放指数（ $\alpha_{CIPSI} = 0.180$ ）的一半，以及全 CASCI 缩放指数（ $\alpha_{CASCI} = 0.262$ ）的三分之一。
效率提升： 在最大的测试活性空间（CAS(14,20)，40 个量子比特）下，HI-NQS 达到化学精度所需的行列式数量比 CIPSI-SCI 少约 200 倍。这种优势随系统规模增大而复合增长，从较小活性空间（CAS(6,6)）时的性能持平，增长到 CAS(14,20) 时约 200 倍的差距。
帕累托最优性： 在 18 个系统中的 13 个系统中，HI-NQS 表现出帕累托优势（Pareto-dominant），即在达到相同或更高精度的同时，使用的行列式数量比 CIPSI-SCI 更少。

意义与主张
论文声称，HI-NQS 通过证明具有与费米子自旋结构相匹配的归纳偏置的生成式采样器可以超越摄动排序的 SCI 方法，从而为纯经典选择性组态相互作用树立了新标准。作者断言，选择性 CI 与神经量子态之间的差距在于架构而非原理。通过成功闭合生成式采样与精确对角化之间的反馈环路，HI-NQS 为强关联量子化学提供了一种可扩展的解决方案，并保留了与未来混合经典-量子工作流（例如作为量子对角化的热启动）的直接接口。结果表明，该方法可以扩展到需要更大活性空间的系统，例如过渡金属化学（如 Fe–S 簇、Cr $_2$ ），其中行列式尾部表现出最强的组合增长。