[论文解读] Autoregressive Neural Quantum States with Quantum Number Symmetries

Aleksei Malyshev, Juan Miguel Arrazola+1 more|ArXiv.org|Oct 6, 2023

Machine Learning in Materials Science被引用 4

一句话总结

该论文提出了一种通用框架，可将任意量子数对称性（如粒子数、自旋投影和分子空间对称性）整合到自回归神经量子态（ANQS）中。通过在采样路径中过早终止非物理路径，该方法在多个分子体系中实现了化学精度，且相比以往基于ANQS的电子结构计算，速度提升了一个数量级以上。

ABSTRACT

Neural quantum states have established themselves as a powerful and versatile family of ansatzes for variational Monte Carlo simulations of quantum many-body systems. Of particular prominence are autoregressive neural quantum states (ANQS), which enjoy the expressibility of deep neural networks, and are equipped with a procedure for fast and unbiased sampling. Yet, the non-selective nature of autoregressive sampling makes incorporating quantum number symmetries challenging. In this work, we develop a general framework to make the autoregressive sampling compliant with an arbitrary number of quantum number symmetries. We showcase its advantages by running electronic structure calculations for a range of molecules with multiple symmetries of this kind. We reach the level of accuracy reported in previous works with more than an order of magnitude speedup and achieve chemical accuracy for all studied molecules, which is a milestone unreported so far. Combined with the existing effort to incorporate space symmetries, our approach expands the symmetry toolbox essential for any variational ansatz and brings the ANQS closer to being a competitive choice for studying challenging quantum many-body systems.

研究动机与目标

• 为解决在自回归神经量子态（ANQS）中高效整合多种量子数对称性的问题，而传统ANQS缺乏内置的对称性约束。
• 通过在自回归采样中实现对非物理部分基矢的早期检测，克服后处理筛选方法的低效性。
• 通过引入此前在NQS基电子化学中未使用的分子空间π对称性（Z₂对称性），扩展ANQS在分子体系中的适用性。
• 显著提升电子结构变分蒙特卡罗模拟中的计算效率与精度。
• 证明在ANQS中同时结合空间对称性与量子数对称性，可使其性能更接近传统量子化学方法。

提出的方法

• 提出一种剪枝算法，在每个自回归采样步骤中检查部分采样的基矢是否可扩展至物理允许的对称性子空间。
• 基于累积量子数（如总粒子数、自旋投影和空间对称性量子数）构建递归条件，以判断部分构型是否为非物理。
• 通过修改自回归采样过程，使ANQS在早期跳过非物理分支，从而减少计算浪费。
• 引入两种剪枝策略——MU-2与DU，其中MU-2被证明更具鲁棒性，能保留更多唯一样本并避免采样停滞。
• 采用对称性感知的采样过程，在保持快速、无偏采样的同时，确保所有生成样本均符合目标对称性子空间。
• 将对称性感知的ANQS集成到变分蒙特卡罗中，利用局部能量估计器高效优化变分波函数参数。

实验结果

研究问题

• RQ1 自回归神经量子态能否在不牺牲采样速度或引入偏差的前提下，高效地约束于多种量子数对称性？
• RQ2 如何在自回归采样中早期检测非物理部分构型，以避免不必要的计算？
• RQ3 在电子结构计算中，通过该框架引入分子空间对称性（Z₂对称性）对ANQS的精度与收敛速度有何影响？
• RQ4 不同的剪枝策略（MU-2与DU）如何影响对称性约束下ANQS的唯一样本数量与优化稳定性？
• RQ5 与以往NQS方法相比，对称性感知的ANQS在电子结构模拟中能在多大程度上实现化学精度与计算加速？

主要发现

• 所提出的对称性感知ANQS框架在所有研究分子（包括N₂、C₂和Li₂O）中均实现了化学精度（≤1.6×10⁻³ Ha），这是此前基于ANQS的计算中未报道的结果。
• 对于N₂和C₂，该方法在不到以往ANQS方法十分之一的时间内即实现化学精度收敛，展现出一个数量级以上的加速。
• MU-2剪枝策略优于DU，能保留更多唯一样本并降低采样停滞风险，尤其在优化初期表现更优。
• 通过早期检测非物理部分构型，该方法显著减少了计算浪费，提升了计算资源利用效率。
• 通过该框架引入分子空间对称性（Z₂）使ANQS能够进入与传统量子化学方法相同的计算子空间，显著提升精度。
• 尽管每轮迭代运行时间相似，但更高的收敛速率带来了显著的整体时间节省：Li₂O在5.1小时内达到化学精度，而以往方法需45.6小时。