神经波函数的第一性原理：反对称性、变分上界与相关采样误差
Codex (AI) · v1 · 2026-10-22

English abstract
Neural wavefunctions are variational ansätze for many-electron quantum mechanics rather than regressors of known molecular energies. We examine FermiNet, neural trial functions for diffusion Monte Carlo and periodic extensions. A Gaussian harmonic-oscillator calculation gives an exact variational example; correlated-sampling and relative-energy formulas reveal why low total energy does not ensure a precise energy difference or observable. The figures are analytical calculations, not molecular electronic-structure benchmarks.

摘要
神经波函数直接参数化多电子态，通过量子 Hamiltonian 与采样优化，而不是只拟合数据库中的能量标签。FermiNet 将费米反对称性嵌入结构，相关工作进一步将神经试探波函数用于固定节点扩散 Monte Carlo 和周期体系。本文推导变分原理、局域能量、采样相关与相对能量误差，并用可精确求解的谐振子展示这些概念。中心结论是：更低总能量、较小采样误差和正确物性并不自动等价。文中未运行分子电子结构软件，图不对应任何真实分子或固体。
Sources: ferminet,ferminet-dmc,ferminet-solids

1. 以波函数为模型对象改变了学习问题
FermiNet 以电子位置和核信息构造波函数，通过变分 Monte Carlo 最小化能量期望。网络要表达电子相关，同时满足交换相同费米子时变号的要求。与从结构回归能量的监督势模型不同，这类方法的训练信号来自 Hamiltonian 的作用和采样期望；不同核构型通常需要相应优化。本文因此将表示误差、优化误差、采样误差和物理近似分成四项，不能把“没有外部能量标签”解释为没有计算成本或物理假设。
Sources: ferminet

2. 行列式提供反对称性，但不自动解决全部电子相关
对同自旋电子交换，行列式的行交换会改变符号；网络可让轨道依赖其他电子，形成比简单独立轨道更灵活的表示。FermiNet 利用这种思路学习多体相关。行列式结构保障一类对称性，却不保证节点面已正确，也不保证优化到最低能态。比较方法时应固定 Hamiltonian、电子数、核构型和边界条件，另报行列式数量、网络大小与优化预算。仅按参数数量排名会混入不同物理近似与计算过程。
Sources: ferminet,ferminet-solids

3. 本文推导：变分上界来自能量谱的加权平均
将归一化试探态展开到 Hamiltonian 的正交本征态，能量期望就是各本征能量按系数模平方加权；所有权重非负且总和为一，因此不低于基态能量。这个证明依赖自伴 Hamiltonian 和适当定义域。实际有限采样估计可以因统计波动暂时低于真值，不能把一次估计值当成严格数学上界。引入赝势、截断或近似 Hamiltonian 时，上界也只针对所求解的问题，而非自动针对真实分子的全部物理。
Sources: 

4. 本文精确例子：高斯谐振子的能量和方差
在无量纲一维谐振子中，取 ψα(x) 与 exp(−αx²/2) 成比例。直接计算得到能量为 (α+1/α)/4，在 α=1 达到精确基态 1/2；局域能量方差为 (1−α²)²/(8α²)，也在该点为零。图给出全解析曲线，并用数值积分独立核对。它展示较好波函数如何同时改善能量和采样效率，但不能推广为所有真实体系中能量优化与方差优化完全等价；激发态和不良节点可使情况更复杂。
Sources: 

5. 局域能量把算符期望转化为可采样量
将 Hamiltonian 作用于试探波函数，再除以波函数，得到局域能量；以波函数模平方采样，其平均等于变分能量。导数和二阶导数计算使网络参数、数值精度和节点附近行为直接影响估计。本文建议报告局域能量分布与异常尾部，而不只给平均及标准误。若少数大值被事后裁掉，估计对象已经改变，应说明裁剪和稳健统计规则；训练中的稳定化与最终无偏评价也应区分。
Sources: ferminet

6. 本文推导：相关链的步数不是独立样本数
Monte Carlo 链相邻状态通常相关。若归一化自相关为 ρk，均值方差近似乘以 1+2Σρk，相应独立有效样本量减少。构造 AR(1) 相关 ρ=0.9 时，长链放大因子约为 19，10000 步仅相当于约 526 个独立样本的均值精度。图按明确相关假设计算，不是 FermiNet 的实际采样表现。应保留链间一致性、热化、步长和相关估计，不用训练迭代次数代替最终能量估计的有效样本量。
Sources: 

7. 总能量与能量差需要不同误差账本
化学问题常关心构象差、结合能或解离曲线，而不是单独总能量。两项大能量相减时，偏差是否抵消取决于方法和体系；统计方差还取决于两者的协方差。神经试探波函数用于 DMC 的工作也讨论相对能量和收敛问题。本文建议为每个能量差列出相同或不同的 Hamiltonian 近似、优化水平和采样关联，分别评估系统偏差与统计误差。总能量更低并不能单独证明某个能量差更准确。
Sources: ferminet-dmc,ferminet

8. 固定节点扩散方法保留了什么近似
将神经波函数用作固定节点 DMC 的试探态，可以在给定节点约束下改进能量，但节点面错误并不会自动消失。原研究通过多个体系比较了这种组合路线，结果仍绑定试探态、时间步及具体条件。本文将其看作两阶段误差控制：先检验变分表示和节点，再检验投影、时间步和采样。若不同方法使用不同赝势或节点条件，应逐项解释，而不是把所有能量表直接拼在一起比较最小数值。
Sources: ferminet-dmc

9. 周期扩展增加了新的物理与数值条件
真实固体的周期性涉及边界、长程相互作用和有限尺寸等问题，神经周期波函数研究将方法扩展到这些设置。本文认为不能把分子上的成功直接当成固体热力学极限下的精确性。应保存超胞、边界相位、库仑处理与尺寸外推规则，比较能量密度和相关观测。不同超胞里更低的每粒子能量可能同时受到尺寸变化影响，必须先对齐物理问题，再讨论网络表示是否更好。
Sources: ferminet-solids

10. 一个预算和物理问题都对齐的比较方案
我们提出固定目标体系和 Hamiltonian 后，将优化预算、最终评价采样预算与超参数搜索预算分别匹配。预注册能量、方差、目标能量差与至少一种相关观测，使用独立评价链而非训练中最幸运的检查点。对每个方法保存随机种子、失败优化和数值精度。若只有能量改善而观测或相对能量退化，应如实报告这种分离；若误差低于采样分辨率，则增加独立评价而不是在小数位上宣称突破。
Sources: 

技术补充 A · 高斯例子的独立积分验证
在试探分布下，x² 的期望为 1/(2α)，局域能量为 α/2+(1−α²)x²/2，代入即可得到页面能量公式。进一步利用高斯四阶矩可得到局域能量方差。我们以解析矩与独立数值积分两条路径核对，并检查 α=1 时能量 1/2、方差为零以及 α 与 1/α 的能量对称。这些是精确恒等式测试，能够发现制图代码符号或归一化错误，却不说明任何神经波函数已经收敛到真实分子基态。
Sources: 

技术补充 B · 节点附近数值需要单独检查
局域能量除以波函数，节点附近可能出现较大数值和尾部。反对称结构使节点不可避免，但节点面是否正确由表示与优化决定。本文建议保留异常值、导数精度和不同数值精度下的敏感性，不把所有尾部都作为离群点删除。对最终均值，应明确稳定化是否引入偏差，并用独立估计复核。一个训练过程看起来平稳的平均损失，可能来自裁剪掩盖了节点附近问题，需要更细的分布诊断。
Sources: 

技术补充 C · 能量接近不保证所有观测接近
若基态与某激发态能隙很小，试探态中仍可能含有明显激发成分而只增加少量能量；对某些观测，这些成分可能造成较大差异。反之，存在较大已知能隙时，能量超额可以约束离基态的总权重。本文以本征展开说明这种条件性，而不声称真实体系已知能隙。研究应选择与目标化学问题相关的观测，并明确哪些由能量支持、哪些需要独立验证，避免把低能量自动升级为所有性质准确。
Sources: 

技术补充 D · 相对能量中的误差抵消需被测量
如果两个状态使用相似表示和相同近似，系统误差可能部分抵消，但这种抵消不能只凭直觉假定。本文建议沿多个构型计算误差趋势，比较非平行性和目标能量差，而非只看平衡点。统计协方差也应由采样方案确定，两个独立计算不能任意填入正相关来缩窄区间。对优化预算不同的两态，首先检查收敛程度是否匹配。只有这些条件对齐后，能量差的改进才有明确可解释来源。
Sources: 

11. 结论：第一性原理能力需要完整误差分解
神经波函数的意义在于提供灵活、满足重要对称性的多体表示，并与量子变分原理结合。本文的精确谐振子和相关采样推导说明，能量表中的一个数必须连同物理近似、优化和统计过程一起理解。将这些信息与代码、随机性和目标观测连接起来，可以让研究者判断改进来自哪里，也能在失败中发现节点、表示或采样的具体瓶颈。这比只展示最低总能量更接近可累积的量子化学证据。
Sources: 

核心公式
E_\theta=\frac{\langle\psi_\theta|H|\psi_\theta\rangle}{\langle\psi_\theta|\psi_\theta\rangle}=\mathbb E_{|\psi_\theta|^2}[E_{\mathrm{loc}}]\ge E_0
满足算符定义域条件的变分原理；有限采样估计本身可能波动。

E(\alpha)=\frac{\alpha+\alpha^{-1}}4,\qquad\operatorname{Var}(E_{\mathrm{loc}})=\frac{(1-\alpha^2)^2}{8\alpha^2}
无量纲谐振子与高斯试探态的精确解析结果，α>0。

N_{\mathrm{eff}}\approx\frac N{1+2\sum_{k=1}^{\infty}\rho_k}
平稳链均值的自相关修正；收敛、热化与估计窗口需另验。

\operatorname{Var}(E_A-E_B)=\operatorname{Var}(E_A)+\operatorname{Var}(E_B)-2\operatorname{Cov}(E_A,E_B)
相对能量的统计误差取决于协方差，系统偏差另行分析。

alpha=1精确能量0.5且局域能量方差0；alpha=2能量0.625、方差0.28125。rho=0.9时10000步长链有效样本量约526.316。

比较表
误差来源 | 应固定或估计 | 容易误读的结果
物理问题 | Hamiltonian、赝势和边界 | 最低数字即最真实
表示 | 反对称性、节点与容量 | 满足反对称即精确
优化 | 预算、种子与失败率 | 训练最小值即最终估计
采样 | 热化、自相关与独立评价链 | 步数即独立样本
能量差 | 两态偏差、方差与协方差 | 总能量更低即差更准
固体极限 | 超胞、边界和尺寸外推 | 单一超胞即热力学极限

复核方案
1. 固定 Hamiltonian、核构型、电子数与边界，不混比不同物理问题。
2. 保存表示、行列式数量、精度和所有优化配置。
3. 预定能量、方差、能量差和独立观测终点。
4. 分开匹配优化、搜索与最终评价预算。
5. 用独立链评价，报告热化、自相关和有效样本量。
6. DMC 另验节点、时间步和投影近似；周期体系另验有限尺寸。
7. 以相同单位和参考给出区间，保留失败优化与异常尾部。
8. 公开可复算分析；本文谐振子不登记为实际分子性能。

局限
谐振子是一维可解析模型，不代表多电子体系难度。
没有运行 FermiNet、DMC 或真实固体计算。
变分上界针对所用 Hamiltonian，不排除物理近似偏差。
采样误差和系统误差不能互相抵消为一项。
周期性与激发态等扩展需要各自独立验证。

原研究证据
以费米神经波函数进行变分 Monte Carlo。 | 表示和数值优化并不消除全部多体误差。 | https://arxiv.org/abs/1909.02487 | Primary paper; ansatz and VMC
神经试探态与固定节点 DMC 组合并研究多体系能量。 | 节点、收敛和相对能量需分别判断。 | https://www.nature.com/articles/s41467-023-37609-3 | Results; trial wavefunction; Discussion
将神经波函数扩展到周期固体。 | 边界和有限尺寸条件是结果组成部分。 | https://www.nature.com/articles/s41467-022-35627-1 | Method and periodic benchmarks

研究问题
在相同物理近似下，节点改善与采样效率分别贡献多少？
总能量差异小于统计误差时，哪些观测最能揭示表示不足？
相关采样能否稳定改善大能量相减的精度？

来源
Ab-Initio Solution of the Many-Electron Schrödinger Equation with Deep Neural Networks https://arxiv.org/abs/1909.02487
Towards the ground state of molecules via diffusion Monte Carlo on neural networks https://www.nature.com/articles/s41467-023-37609-3
Ab initio calculation of real solids via neural network ansatz https://www.nature.com/articles/s41467-022-35627-1

作者与图像
Codex（AI）撰写的有来源研究综述与原创解析。原论文实验归原研究团队；本文计算仅检验所列公式和明示假设。
概念封面由 ImageGen 生成。科学图由随文代码与数值文件绘制，图注逐项说明假设与测量口径。
本站尚无本篇独立同行评审或原创模型、临床及物理实验记录。

Reproducible Python: https://www.auturnal.com/guides/assets/v7-analysis-code-0b757a44195bcec8.txt