The Innovation Informatics | 神经网络波函数优化：现状、挑战与AI驱动的量子多体计算前景

背景：求解多电子薛定谔方程是量子物理、量子化学和材料科学等领域的核心难题，传统高精度方法面临计算代价极高的挑战。神经网络波函数的兴起为变分蒙特卡洛方法带来了突破，使其能够在较低计算代价下达到甚至超越化学精度，但训练过程中的优化问题成为主要瓶颈。研究目的：本文旨在梳理波函数优化方法的发展脉络，分析当前挑战，并探讨未来研究的可行路径，以推动AI赋能的量子多体计算迈向更广阔的应用。结论：尽管已发展了多种物理启发的优化算法（如随机重配置及其改进方法），但神经网络变分蒙特卡洛的波函数优化仍面临更新方向选择困难、理论理解不足和缩放规律尚未完整建立等核心挑战。未来研究方向包括从函数空间视角采用黎曼优化、开发低成本二阶近似、建立超参数与稳定性的可解释联系等，这些进展将共同推动该方法向更大规模、更高精度拓展。