⚛️ quantum physics

Walshness: an intrinsic neural-network representability metric for quantum states

本文引入了“Walshness”，这是一种严谨的复杂度度量指标，通过证明高效表示是可能的当且仅当 Walshness 有界，从而量化了量子态的内在神经网络可表示性，并展示了如何通过最小化该度量来寻找最优基底，从而显著提高各种物理量子态的可学习性。

原作者： Nisarga Paul, Kehuang Chen, Jessica K. Jiang, Haimeng Zhao, Di Luo

发布于 2026-10-02

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Nisarga Paul, Kehuang Chen, Jessica K. Jiang, Haimeng Zhao, Di Luo

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

在微观尺度上，宇宙受一套规则支配，这些规则使得我们熟悉的宏观世界显得几乎简单。在这个量子领域，粒子不仅仅是静止在某处或处于某种状态；它们存在于一种被称为“叠加态”的巨大且重叠的可能性云团中。为了描述即使是规模适中的这类粒子集合，科学家们必须在一个极其庞大的数学空间中进行导航，这个空间会随着每增加一个新粒子而呈指数级增长。这种“维度诅vy”（curse of dimensionality）长期以来一直是一道屏障，使得即便是最强大的超级计算机也几乎无法模拟复杂的量子系统，例如用于硬盘的磁性材料或在超导体中发现的奇异物质态。

为了克服这一难题，研究人员转向了人工智能，特别是设计用于作为这些量子可能性之灵活映射的某种神经网络。这些“神经量子态”展现出了巨大的潜力，它们学会了在传统方法失效的情况下近似描述复杂系统的行为。然而，一个重要的谜团仍然存在：为什么这些网络有时能在几分钟内学会一个系统的行为，而有时却要挣扎数日甚至完全失败？答案似乎很大程度上取决于观察该系统的方式。正如一个人的照片根据角度的不同而呈现出不同的样子，量子态的数学描述也会根据用来测量它的“基底”（basis）或特定的参考方向的选择而发生剧烈变化。多年来，科学家们一直缺乏一种可靠的方法来预测哪种观察角度会让一个量子态易于计算机学习，而哪种角度又会使其变得几乎不可能。

一项新研究引入了一个解决方案，提供了一种衡量量子态内在复杂性的新方法。由 Nisarga Paul 和 Di Luo 领导的研究团队开发了一种他们称之为“Walshness”（沃尔什度）的指标。这一指标就像是一个复杂度评分，告诉我们一个量子态使用神经网络来表示的难度，但它有一个关键的转折：它考虑了难度会随观察方式的变化而改变的事实。团队在数学上证明了，一个量子态易于神经网络学习，当且仅当它在某个特定的观察角度下具有较低的 Walshness 分数。反之，如果一个状态在所有可能的角度下都具有很高的 Walshness 分数，那么无论多么庞大的神经网络都无法高效地表示它。这一发现提供了一个严密的、双向的规则，将量子态的抽象难度与机器学习的实际能力联系了起来。

研究人员不仅定义了这个新指标，还构建了一个寻找观察量子系统最佳方式的实用工具。他们证明了，寻找使 Walshness 分数最小化的角度，在数学上等同于解决一个经典的物理问题：寻找一个相互作用磁体系统的最低能量状态。通过利用这种联系，他们创建了一种算法，可以自动将量子态旋转到其“最容易”的形式。当他们将此方法应用于真实的物理模型（例如描述磁自旋如何排列和翻转的横场伊辛模型）时，结果令人震惊。通过在旋转后的状态（即经过旋转以最小化其 Walshness 的状态）上训练神经网络，研究人员将模拟误差降低了几个数量级，相比于使用标准的、未旋转的视角。在某些情况下，这种改进非常显著，将一个困难且多噪的学习过程转变为一个清晰且快速的过程。

这项工作还阐明了受挫磁体（frustrated magnets）领域中长期存在的谜题，在这些系统中，粒子无法同时满足它们所有的磁性偏好。在这些系统中，一个被称为“马歇尔符号规则”（Marshall sign rule）的著名规则在历史上一直被用于通过翻转某些概率的符号来简化数学计算。这项新研究表明，最小化 Walshness 的算法在没有被告知的情况下，自然地重新发现了这一规则。更重要的是，在旧规则不再适用的情况下，它找到了更好的观察系统的方式。这表明，该新指标不仅是改进当前模拟的工具，更是理解量子物质结构的一个更深层的透镜。

这项研究的影响超出了仅仅提高模拟速度的范畴。它提供了一种诊断量子相和相变性质的新方法。研究人员发现，Walshness 分数在不同的物质态中表现各异，例如在用于研究纠错量子存储器的托里科码（toric code）拓扑相中。在这些复杂的态中，Walshness 分数揭示了与已知物理相变相对应的微妙特征，暗示该指标可以成为识别和分类奇异物质态的标准方式。通过提供一个关于量子态“可学习性”的清晰且内在的度量，这项研究弥合了神经网络的理论极限与模拟量子世界实际挑战之间的鸿沟。它表明，解锁复杂材料秘密的关键可能不在于建造更大的计算机，而在于学会从正确的角度去观察量子世界。

标题： Walshness：一种量子态的内在神经网络可表示性度量

问题陈述
神经量子态（NQS）已成为模拟量子多体系统的强大工具，然而一个基本的理论差距仍然存在：目前缺乏一种可量化的、内在的度量标准，用以预测特定的量子态是否能被神经网络高效地表示。虽然纠缠熵决定了张量网络的效率，但 NQS 的复杂度受限于神经网络的非线性参数化、量子波函数的复杂符号结构，以及对基底选择的高度依赖。现有的经验研究表明，能够高效表示某一基底中量子态的神经网络，在另一种基底下可能会失效，但建立连接基底选择与可表示性的系统性理论一直处于缺失状态。

方法论
作者引入了一种名为 Walshness 的新复杂度度量，该度量源自 Walsh-Hadamard 变换（定义在 $\mathbb{Z}_2^n$ 上的离散傅里叶变换）。

定义：
- Walsh 谱： 对于一个态 $|\psi\rangle = \sum_s \psi(s)|s\rangle$ ，其 Walsh-Hadamard 变换产生系数 $\hat{\psi}(r)$ 。Walsh 谱 $p_\psi(r) = |\hat{\psi}(r)|^2 / \sum |\hat{\psi}(r)|^2$ 被视为一个经典概率分布。
- 固定基底 Walshness ( $W^Z_\alpha$ )： 定义为 $W^Z_\alpha[|\psi\rangle] = \frac{1}{\alpha} \log \mathbb{E}_{r \sim p_\psi}[e^{\alpha |r|_1}]$ ，其中 $|r|_1$ 是 Hamming 重量。该度量量化了波函数在特定基底下的“振荡”特性；高值表示傅里叶模分布集中在高 Hamming 重量处。
- 内在 Walshness ( $W_\alpha$ )： 为了消除基底依赖性，作者将内在 Walshness 定义为所有单点酉变换 $U = \bigotimes U_i$ 下 $W^Z_\alpha$ 的最小值。
优化算法：
作者证明，最小化内在 Walshness 等价于最小化一个经典自旋模型的能量。具体而言，最小化 $W_\alpha$ 对应于寻找局部轴 $\{\hat{n}_j\}$ ，以最小化期望值 $E[\{\hat{n}_j\}] = \langle \prod_j A_\alpha(\hat{n}_j) \rangle$ ，其中 $A_\alpha$ 是依赖于 $\alpha$ 的特定算符。这使得可以使用坐标下降算法来寻找最优局部基底。
理论证明：
论文建立了连接 Walshness 与多层感知机（MLP）和受限玻尔兹曼机（RBM）可表示性的严格双向界限：
- 正向方向： 具有低固定基底 Walshness 的量子态可以被高效表示为 MLP（多项式宽度，对数深度）直到任意常数不保真度。相反，具有高 Walshness 的态需要深层网络（深度 $\Omega(\log n)$ 或更高）才能实现高效表示。
- 反向方向： 一个紧凑的 MLP 表示意味着该态必须具有低 Walshness。
- RBM 扩展： 定义了针对波函数对数的类似“乘性 Walshness”，从而建立了类似的界限。

核心结果

理论特征化： 作者对 NQS 的可学习性提供了精确的特征描述。他们证明，一个量子态是可由浅层神经网络高效表示的，当且仅当它在某种基底下具有有界的 Walshness。
基底优化： 所提出的算法成功识别了用于最小化 Walshness 的局部基底。
经验验证：
- 铁磁体： 该方法正确识别出 $|+x\rangle$ 态（常数波函数）具有零 Walshness 且极易学习，而 $|-x\rangle$ 态（奇偶函数）具有最大 Walshness，且在 Z 基底中学习难度呈指数级增长。
- 横场伊辛模型 (TFIM)： 在铁磁相（ $g < 1$ ）中，使 Walshness 最小化的基底表现出自发破缺平移对称性的周期-二阶交错结构。在这一优化基底中训练 NQS，相比标准计算基底，能将不保真度降低数个数量级（特别是在系统尺寸 $n=24, 26$ 时）。
- 受挫反铁磁体： 该方法恢复了无受挫二部反铁磁体中著名的 Marshall 符号规则，并将其推广到受挫机制（如二维 XYZ 反铁磁体），找到了能比标准 Marshall 规则进一步降低 Walshness 的基底旋转方式。
- 混合场 Toric Code： 该方法展示了在减少 Walshness 显著的情况下，对拓扑序态学习能力的显著提升，但在减少效果微弱的自对偶点附近，这种优势会减弱。

意义与主张
论文声称，其提供了首个具有可证明的双向联系（连接至神经网络可表示性）的量子态内在复杂度度量，类似于张量网络中的纠缠熵。

诊断工具： Walshness 提供了一个观察量子态的新视角，它不同于纠缠和魔性（magic），可能为量子相、临界性和拓扑序提供见解。
实际效用： 该度量是 NQS 从业者的实用工具。通过最小化 Walshness 来寻找最优局部基底，可以显著提高神经量子态的可训练性和准确性，通常能将不保真度降低数个数量级。
启发式的泛化： 该框架恢复并泛化了已建立的物理启发式方法（如 Marshall 符号规则），表明了一种处理量子蒙特卡洛和 NQS 中符号问题的统一方法。

作者对研究范围保持谦逊，指出其结果在系统尺寸上是渐近性的，且主要适用于欠参数化拟设。他们承认，尽管该方法改进了优化过程，但并不保证在过参数化机制下的可表示性，且寻找最优基底的计算成本随系统尺寸呈指数级增长，不过本文重点在于展示该原理的理论存在性与数值演示。

类似论文