《The Journal of Physical Chemistry Letters》:Neural Quantum States Based on Selected Configurations
编辑推荐:
神经量子态(NQS)为量子化学中强关联问题的波函数提供了灵活且高表达性的参数化形式。尽管网络架构取得了快速进展,电子能量的评估几乎仍完全基于变分蒙特卡罗(VMC)方法。VMC对自旋链等结构化系统有效,但其对于电子哈密顿量的准确性和效率受到尖锐分布、随机梯度噪声
神经量子态(NQS)为量子化学中强关联问题的波函数提供了灵活且高表达性的参数化形式。尽管网络架构取得了快速进展,电子能量的评估几乎仍完全基于变分蒙特卡罗(VMC)方法。VMC对自旋链等结构化系统有效,但其对于电子哈密顿量的准确性和效率受到尖锐分布、随机梯度噪声和样本量收敛缓慢等因素的制约。在本研究中,研究人员通过将NQS-VMC与近期发展的基于NQS的选取组态(NQS-SC)方法进行对比,评估了NQS-VMC有效捕获电子基态相关性的能力。研究人员对以静态或动态相关为主的分子体系,系统比较了NQS-VMC和NQS-SC获得的基态优化结果。比较表明,NQS-SC在能量准确性和波函数系数方面均明显优于NQS-VMC,特别是对静态相关分子。此外,NQS-SC表现出可靠的系统性可改进性,而NQS-VMC则不具备该特性。这些发现使NQS-SC成为电子结构计算中替代NQS-VMC的新默认方法。研究人员进一步观察到,无论NQS-SC还是NQS-VMC均无法有效捕获动态相关,这凸显了未来发展混合方法的必要性,例如基于NQS解的多组态微扰理论。
NQS作为一种求解多体薛定谔方程的新颖拟设,利用人工神经网络的表达能力为强关联波函数提供紧凑表示。理论分析和格点哈密顿量数值研究表明,NQS能够以仅随体系大小多项式增长的参数数量表示高度纠缠态。现有NQS应用于分子体系的规模仍限于约50个电子和40个空间轨道,核心挑战在于如何有效获取指数级众多的波函数系数以进行准确的能量评估和优化。
当前评估NQS能量的主要方法是VMC取样。早期NQS多采用Metropolis-Hastings取样,而后期实现转向自回归取样,这是因为分子波函数通常由少量主导组态和长尾弱权重组态构成,导致Metropolis-Hastings取样接受率极低。自回归取样通过神经网络输出条件概率序列,实现无拒绝取样并产生无关联样本,但需要特定的网络架构(振幅网络和相位网络分离),且无法直接强制固定粒子数、磁化等关键对称性,需通过掩蔽/丢弃非物理组态处理;此外轨道排序会影响条件概率分布的学习。Li等人提出NQS-SC方法以应对VMC在电子基态中的问题。该方法借鉴传统选取组态相互作用(SCI)方法,但区别在于NQS-SC基于NQS拟设预测的振幅进行组态选取,而传统SCI依赖微扰理论等外部信息。NQS-SC的非随机特性可带来更稳定的优化和更高的电子基态能量精度,但作为截断方法仅能恢复静态相关。
本研究旨在建立NQS-SC与NQS-VMC的严格比较。研究人员采用两种变分方式评估NQS-SC能量:对称评估(E
SC-SYMθ)和精确对角化(E
SCI),以实现与NQS-VMC的公平比较。
研究所用的关键技术方法包括:以精确蒙特卡罗(EMC)取样作为无偏基准的NQS-VMC框架;基于最高概率振幅组态选取的NQS-SC框架,初始组态以Hartree-Fock组态为种子,迭代扩展至哈密顿量连接的外部空间;采用神经回流(NBF)架构,该架构通过学习依赖于占据数矢量(ONV)的轨道系数矩阵,以ONV相关行列式形式引入电子关联,训练和评估成本为??(N3+LN);网络训练基于NetKet、JAX和Flax框架;Hartree-Fock、MP2和FCI计算使用PySCF完成。样本队列为多种小分子体系,包括拉伸N2、H2O、平衡N2、LiCl、C2H4、Li2O和拉伸H8链,采用STO-3G、6-31G、6-311G等基组。
**拉伸N2分子** 研究人员以键长2.25 ?的拉伸N2分子为静态相关典型例子,采用最小STO-3G基组。结果显示,NBF-SC即使选取少量组态也能轻松识别20个最主导组态,当nselect ≥ 27时成功识别后续24个次主导组态;ESC-SYMθ在nselect = 26时即低于化学精度(约1.6 mHa),最小误差达11.4 μHa;ESCI在nselect ≥ 211时误差降至约5×10-11 Ha,但ESCθ低于EFCI揭示非变分性问题。NBF-VMC则需nsample ≥ 213才恢复主导振幅,化学精度需nsample = 214 = 16,384,与Hilbert空间维度同量级,且始终无法恢复第21至44位主导组态的振幅,也完全无法描述分布尾部。
**H2O分子** 研究人员以6-31G基组的H2O分子为动态相关较强系统的例子。NQS-SC给定nselect的振幅偏差较前例更早出现,但可通过增大nselect改善;ESC-SYMθ随nselect系统改善,nselect = 211时达化学精度;ESCθ始终高于EFCI,非变分性未引发问题;但大nselect时优化困难,ESCI低于ESC-SYMθ表明预测系数未达最优。NBF-VMC表现更差:能量误差虽随样本增加而改善,但从未达化学精度;nsample = 217时不收敛;外推显示需约221.3样本才达化学精度,再次与Hilbert空间维度同量级。NBF-SC最低误差仍比NBF-VMC低一个数量级以上。
**其他分子体系** 研究人员扩展至平衡N2、LiCl、C2H4、Li2O等体系。NBF-SC对额外体系均呈现nselect增加时的系统性改进;NBF-VMC优化能量则出现随nsample突跃、收敛过慢或间歇性不收敛等问题。ESCθ仅于LiCl(nselect = 27)出现低于EFCI情况,非变分性极少显现。化学精度所需最小nselect及占比分析表明,NQS-SC仅需选取不足1%总组态即达化学精度。拉伸N2所需nselect仅为平衡N2的一半,证实NQS-SC更适于静态相关主导体系。H2O从6-31G扩充至6-311G基组时nselect/dim(?)降低10倍,但衰减速率仍过缓,6-311G基组受硬件内存限制未达化学精度,此限制主要源于NetKet当前能量评估方式。
**拉伸H8链** 研究人员最后考察键长1.8 ?的拉伸H8链,该体系振幅分布极缓,静态与动态相关界限模糊。NBF-SC收敛较不平滑,在nselect = 27至28及210起有两个显著误差降低区间,后者近乎完美匹配FCI振幅;但nselect = 211时ESC-SYMθ和ESCI刚低于化学精度阈值,需大量组态方能使SCI型波函数准确描述。NBF-VMC初始误差较低但随样本增加无法实质降低,nsample = 29至210时振幅谱明显改善(误差从37.5 mHa降至29.2 mHa),但始终无法重现FCI振幅分布尾部,亦未接近化学精度,外推亦不可能。
**讨论与结论**
研究人员在从头算量子化学背景下比较了NQS-VMC和NQS-SC两种框架,发现尽管NQS-VMC在文献中占主导,NQS-SC在准确性和系统性可改进性方面更为可靠。波函数系数详析表明NQS-SC能有效捕获电子基态的静态相关并在一定程度上捕获动态相关;NQS-VMC则对两类相关均难以有效处理。计算和外推数据均显示NQS-VMC往往需要与Hilbert空间总维度相当甚至超过的样本量才达化学精度。NQS-SC描述动态相关主导分子时亦需大选取组态空间,但标度远优于NQS-VMC;此情形下NQS-SC竞争力有限,因无静态伴随时动态相关可由单参考方法处理。对于极端强关联的拉伸H8链,足够大的选取空间可使NQS-SC达化学精度,但鉴于其平坦振幅分布,需包含总组态的很大比例,这与传统SCI方法类似,其有效应用依赖于多组态特征集中于有限组态子集。幸运的是,大量化学关注体系(尤其过渡态)属于此类(文献55的class-1情形),为NQS-SC提供广阔适用域;class-2情形则对SCI及NQS-SC构成挑战。NQS-SC作为概念上独特且潜在自洽的子空间选取方法,无需子空间对角化即可预测波函数系数,未来研究的重要开放问题是能否利用NQS趋近能量最优子空间。
鉴于NQS已知能高效表示高度纠缠的格点波函数,其在量子化学中的当前局限源于网络优化和能量评估等实践挑战而非表达能力。解决这些瓶颈是使NQS与SCI和密度矩阵重正化群(DMRG)等先进方法竞争的必要条件。本研究是朝此方向迈出的重要一步。
研究结果凸显了NQS发展的关键方面:如何从神经网络提取信息。默认VMC框架根本限制了NQS的效率和适用范围,尤其在静态与动态相关均至关重要的区域;此局限独立于Monte Carlo取样方法选择,因本研究采用精确取样方案进行比较。研究人员预期NQS-SC将成为未来电子结构计算NQS实现的新默认方法。本发现亦强调了开发改进技术从NQS提取物理信息的重要性,该方面迄今关注有限。
随着更先进的电子波函数预测神经网络架构出现,值得退一步重新评估信息提取这一正交方面以最大化这些进展的效益。另一潜在扩展路径是将NQS限于活性空间,这种方法已常见于强但主要为静态相关的拟设如矩阵积态和量子计算中;缺失的动态相关通常通过后续微扰理论或耦合簇理论恢复。在此背景下,NQS-SC自然成为未来混合静态-动态方法的合适基础。