来源论文: https://arxiv.org/pdf/2605.03901 生成时间: May 28, 2026 09:53

从规范等变性到直接规范不变性：基于威尔逊圈表征的阿贝尔格点规范理论图神经网络深度解析

0. 执行摘要

在强关联凝聚态物理、量子化学和量子模拟（如里德堡原子阵列、超冷原子光晶格）的前沿研究中，**格点规范理论（Lattice Gauge Theory, LGT）**已成为描述涌现现象（如量子自旋液体、分形子、量子二聚体模型）和设计人工合成量子物质的核心理论框架。然而，格点规范理论的数值模拟——特别是在耦合了动力学物质场（费米子或玻色子）的场景下——长期面临着极高的计算复杂度瓶颈。集成物质场自由度后所产生的非定域（Non-local）有效相互作用，使得传统的蒙特卡洛抽样或哈密顿量时空演化需要频繁进行高代价的精确对角化（Exact Diagonalization, ED），限制了可模拟的系统尺寸与物理时间尺度。

近年来，机器学习（ML）特别是图神经网络（GNN）在构建物理系统代理模型（Surrogate Models）方面取得了巨大成功。然而，将机器学习应用于格点规范系统面临着一个根本性的物理挑战：局部规范对称性（Local Gauge Symmetry）。不同于全局对称性，局部规范对称性反映了系统描述中的冗余性（Redundancy）——格点上的多个不同的局域配置通过规范变换对应同一个物理态。如果机器学习模型直接作用于规范相关的基本变量（如链上的相位），网络必须在庞大的参数空间中痛苦地“学习”去忽略这些冗余度，或者依赖极其复杂的**规范等变神经网络（Gauge-Equivariant Neural Networks）**架构来显式约束网络层。然而，对于非阿贝尔规范理论不可或缺的等变架构，在阿贝尔（Abelian）规范理论中显得过于繁琐且计算效率低下。

针对这一痛点，Ali Rayat 和 Gia-Wei Chern 在其最新工作《Graph Neural Networks in the Wilson Loop Representation of Abelian Lattice Gauge Theories》（arXiv:2605.03901v1，2026年5月）中提出了一种范式革新：直接在规范不变的威尔逊圈（Wilson Loop）表征空间中构建图神经网络（GNN）。该方法在输入端即彻底消除了阿贝尔格点规范理论中的所有冗余规范自由度，将复杂的规范等变约束问题转化为常规的、仅需满足晶格空间几何对称性（如平移、旋转、反射）的图嵌入与消息传递问题。通过这种极其精简且物理图像清晰的设计，该模型在 $\mathbb{Z}_2$ 和 $U(1)$ 静态格点规范模型中，对全局可观测量（如能量密度）和极难预测的非定域空间可观测量（如局域费米子密度）均实现了令人惊叹的预测精度。

更具突破性的是，作者将该架构拓展至解决 $U(1)$ 量子链模型（Quantum Link Model, QLM，亦称规范磁体 Gauge Magnet） 的半经典实时动力学演化。通过引入 Behler-Parrinello 式的能量分解，并结合**自动微分（Automatic Differentiation, AD）**技术，GNN 在完全处于规范不变表征空间的运行状态下，通过对基础链变量求导，自然、优雅地产生了满足规范协变性的物理力场。该代理力场在动力学演化中，不仅准确重构了威尔逊圈的短期振荡轨迹，而且在长期演化中高度精确地保持了系统的自相关函数和统计关联，成功绕过了每次时间步演化都需要进行 $O(N^3)$ 复杂度费米子对角化的致命瓶颈。这一成果为大尺度格点规范动力学的高效模拟铺平了道路，也为凝聚态和强关联量子化学体系的计算方法学带来了深远启示。

1. 核心科学问题、理论基础、技术难点与方法细节

1.1 核心科学问题：局部规范对称性的冗余与非定域关联的调和

在凝聚态物理与格点物理中，对称性是构建相互作用哈密顿量和分类物态的基石。在经典的多体物理机器学习中，我们主要面对的是全局对称性（Global Symmetries），例如自旋系统的全局反转对称性 $\mathbb{Z}_2$，或者分子体系的旋转与平移对称性 $SO(3) \times T(3)$。这些对称性表明，不同的物理配置在整体变换下具有等价的能量或物理性质。为了提升神经网络的泛化能力和数据效率，研究人员开发了诸如 SchNet、PhysNet、MACE 等各种等变图神经网络（Equivariant GNNs），确保网络在特征传播过程中对这些全局变换保持等变。

然而，局部规范对称性（Local Gauge Symmetry）在本质上与全局对称性截然不同。它并不是一种将一个物理状态映射到另一个不同但等价物理状态的对称性，而是物理描述系统本身的一种内生冗余性。在格点规范理论中，物理态由定域在格点链（links）上的变量定义，而规范变换在每一个晶格格点（site）上都是独立且非定域进行的。例如，在二维正方格点上，规范群为 $U(1)$ 的理论中，链 $(ij)$ 上的物理自由度可以表示为相位变量 $e^{i\theta_{ij}}$，其中 $\theta_{ji} = -\theta_{ij}$。格点 $i$ 处的局部规范变换由一个局域相位 $\alpha_i$ 指定。在该变换下，链变量按如下方式变化：

对于可观测的物理量（如体系的总能量、费米子密度分布等），它们必须对所有的局部规范变换（即任意的 $\alpha_i$ 组合）保持绝对不变（Gauge Invariance）。这意味着，在由链变量 $\{ heta_{ij}\}$ 构成的庞大高维物理流形中，只有极小一部分轨道（规范轨道 Gauge Orbits）对应着相同的物理状态。如果直接以链变量 $\{ heta_{ij}\}$ 作为神经网络的输入：

1. 数据效率极其低下：神经网络必须通过海量的训练样本去强行学习“哪些不同的 $\{ heta_{ij}\}$ 配置实际上对应相同的物理结果”；
2. 物理合理性无法保证：在未见过的测试数据上，模型极易由于微小的规范波动而给出完全不同的预测，破坏规范不变性这一最基本的物理红线。

为了解决这个问题，高能物理和格点规范模拟领域的学者通常致力于开发规范等变神经网络（Gauge-Equivariant Neural Networks）。这些网络层在设计上确保：如果输入经过了一次局部规范变换，其内部的隐藏特征表示也经历相应形式的伴随变换，并在最终输出端通过特定的投影算符提取规范不变的可观测量。虽然这种方法在理论上具有普适性（特别是对于非阿贝尔规范群如 $SU(2)$ 或 $SU(3)$ 而言必不可少），但其数学结构异常繁琐，特征通道之间的信息交换受到极大限制，计算开销巨大，并且在模型训练和推理过程中引入了大量的额外计算成本。

1.2 理论基础：威尔逊圈（Wilson Loop）表征

针对阿贝尔规范理论（包括经典的 $\mathbb{Z}_2$ 规范理论与 $U(1)$ 规范理论），Ali Rayat 和 Gia-Wei Chern 指出，我们实际上有更好的选择。根据电磁学和格点 gauge 理论的经典结论，阿贝尔规范理论中的所有规范不变信息，都可以完全由晶格上的**闭合环路算符（Closed Loop Operators）**表征。其最基本的构建基块是定义在正方形格点上最小基本面——原胞（Plaquette）上的威尔逊圈（Wilson Loop） $W_\square$：

根据公式 (1)，当对格点进行规范变换时，格点 $i$ 和 $j$ 处的相位变化 $\alpha_i - \alpha_j$ 在沿着闭合环路 $\square$ 进行求和时会精准地两两抵消。因此，每个原胞上的威尔逊圈 $W_\square$ 是天生的、严格的规范不变变量，它物理上对应于穿过该原胞的局域规范磁通（Gauge Flux）。

更为重要的是，由于阿贝尔规范群的乘法是可交换的（Commutative），任何更大尺寸的闭合环路威尔逊圈 $W_{\mathcal{C}}$，都可以平滑地分解为该环路所围区域内所有基本原胞威尔逊圈 $W_\square$ 的乘积（内部共用链上的相位由于方向相反会精准抵消）：

这一结论至关重要：在开放边界或无限大晶格中，全体原胞威尔逊圈的集合 $\{W_\square\}$ 构成了一套完整、无冗余且完全处于规范不变扇区中的基底。在周期性边界条件（PBC）下，为了捕获拓扑非平凡（Topologically non-trivial）的物理扇区，我们仅需额外引入少量的、绕系统一整周的非合同环路——缠绕威尔逊圈（Winding Wilson Loops） $W_x$ 和 $W_y$。通过这种方式，$\{W_\square\} \cup \{W_x, W_y\}$ 便完美、无损地参数化了所有规范不等价的物理配置空间，从源头上彻底消除了规范冗余度。

1.3 技术难点：非定域关联与晶格几何对称性的保持

虽然威尔逊圈表征消除了规范自由度，但将其与图神经网络（GNN）结合并应用于规范-物质场耦合系统时，仍存在两大关键技术难点：

1. 物质场导致的超远距离非定域关联（Non-locality）：当我们在哈密顿量中耦合了移动的费米子场，并将费米子自由度积分掉（Integrate out）之后，所产生的规范场有效相互作用在本质上是非定域的。这意味着，一个格点处的局部物理量（例如局域费米子密度 $n_i$）不仅取决于该格点局部的 $W_\square$，还取决于整个晶格中所有原胞磁通的联合排布。这对普通的、仅关注近邻特征的 GNN 提出了巨大的表征挑战。
2. 物理系统空间几何对称性的显式维持：消除规范对称性后，系统在实空间中退化为一个定义在二维晶格（或对偶晶格）上的物理问题。这个系统仍然必须严格遵循其固有的空间点群对称性（如正方晶格的平移对称性、 $C_4$ 旋转对称性以及镜面对称性）。如何在设计 GNN 消息传递规则时，自然而优雅地强制满足这些空间对称性，是决定模型泛化性和物理一致性的关键。

1.4 方法细节：规范不变图神经网络架构（Gauge-Invariant GNN）

为了攻克上述难点，作者巧妙地构建了如下图 1 所示的 GNN 架构：

[ 物理输入: 链变量 e^{i\theta_{ij}} ] 
               │ (通过闭合路径求和)
               ▼
[ 规范不变输入: 原胞威尔逊圈 W__ ] ───► 初始化格点特征 V_{i, \alpha}^{(1)}
               │
               ▼ (GNN 消息传递: 晶格平移与点群对称性)
[ 隐藏层晶格特征 V_{i, \alpha}^{(\ell)} ] ◄───► [ 全局虚拟节点 (W_x, W_y) ]
               │
               ├───► 分支 1: 局域多层感知机 (MLP) ───► 局域物理量预测 n_i
               │
               └───► 分支 2: Behler-Parrinello 能量分解 ───► 局域贡献 \hat{\epsilon}_i ───► 总能量 E = \sum_i \hat{\epsilon}_i
                                                                                 │ (自动微分)
                                                                                 ▼
                                                                           规范协变力场 H_{ij}

1.4.1 节点特征初始化与图构建

在二维正方格格点上，共有 $N$ 个格点（Sites）和 $N$ 个原胞（Plaquettes）。作者选择在**原始晶格（Original Lattice）**而非对偶晶格（Dual Lattice）上构建 GNN。这使得模型的输出能够直接映射到定义在格点上的物理量（如格点电荷、费米子密度等）。

对于每一个格点 $i$，其周围包围着 4 个基本原胞，对应的威尔逊圈分别为 $W_1, W_2, W_3, W_4$。因此，格点 $i$ 的初始规范不变特征向量 $V_{i, \alpha}^{(1)}$ 声明为这四个近邻威尔逊圈的组合：

这种设计不仅捕获了局部磁通排布，而且当晶格发生旋转（如旋转 90 度）时，这四个分量仅发生循环移位（Cyclic Permutation）。这为在神经网络中集成点群对称性提供了极好的数学便利。

1.4.2 拓扑信息与全局虚拟节点（Virtual Nodes）

为了在周期性边界条件下完整描述拓扑扇区，非局部缠绕环路 $W_x$ 和 $W_y$ 是不可或缺的。作者在图结构中引入了全局虚拟节点（Global Virtual Nodes）。这些虚拟节点在消息传递阶段扮演“全球通信总线”的角色：在每一层中，虚拟节点汇聚全格点的信息，并将编码了全局拓扑结构的全局 Token 广播回所有格点节点。这一精妙的设计赋予了 GNN 超越局部感受野的宏观拓扑感知能力。

1.4.3 点群对称性保持的消息传递规则

在第 $\ell$ 消息传递层，节点特征的更新方程定义为：

其中 $\mathcal{N}(i)$ 表示格点 $i$ 的最近邻格点集合。权重矩阵 $W_{\alpha\beta}$ 和 $W'_{\alpha\beta}$ 沿着整个晶格是完全共享（Weight Sharing）的，这自然保证了空间平移不变性。更重要的是，在对最近邻节点 $j$ 进行求和时，采用了对称聚合（Symmetric Aggregation）的方式，没有任何方向偏好，这优雅地确保了模型在晶格的 $C_4$ 旋转和反射变换下保持不变性。

1.4.4 Behler-Parrinello 能量分解与局域物性读出

模型针对不同类型的物理量设计了双通道输出策略：

• 局域可观测量预测（如局域费米子密度 $n_i$）： 在 GNN 最后一层输出端，每一个格点 $i$ 的多通道特征向量 $V_{i, \alpha}^{\text{(out)}}$ 直接送入一个格点共享的多层感知机（MLP）进行解码：

  $$ O_i = \text{MLP}\left( V_{i, \alpha}^{\text{(out)}}; \boldsymbol{\theta} \right) \quad (5) $$

• 全局可观测量预测（如系统总能量 $E$）： 借鉴分子动力学中著名的 Behler-Parrinello 方案，总能量被分解为由每个格点贡献的拟局域能量 $\hat{\varepsilon}_i$ 之和：

  $$ \hat{E} = \sum_i \hat{\varepsilon}_i, \quad \hat{\varepsilon}_i = \text{MLP}_{E}\left( V_{i, \alpha}^{\text{(out)}} \right) \quad (10) $$

  这种分解法在物理上具有深刻的含义：它实际上是让 GNN 去隐式学习系统能量的规范不变簇展开（Cluster Expansion）：

  $$ E[\{W_\mathcal{C}\}] = J_1 \sum_{\square} \text{Re}[W_\square] + J_2 \sum_{\text{2-plaquette}} \text{Re}[W_\square W_{\square'}] + \dots \quad (13) $$

  通过多层消息传递，GNN 能够自动捕捉从短程到长程、各种几何构型的多体原胞关联项，从而精确重构因积分费米子带来的复杂非定域相互作用能。

2. 关键 Benchmark 体系、计算数据与性能分析

为了全面验证该规范不变 GNN 架构的优越性，作者设计了极具挑战性的静态和动态 Benchmark 体系。模拟均在一块 $20 \times 20$ 的二维正方格点上展开，体系包含 $N=400$ 个格点、 $M=800$ 个晶格链。以下是各个 Benchmark 的物理模型细节、训练设置与详细性能表现。

2.1 物理体系：规范-物质场强耦合紧束缚模型

哈密顿量定义为紧束缚费米子在外部阿贝尔规范背景场中的传播：

其中，$\tau$ 为动能标（设为 1）。链变量 $\theta_{ij}$ 在 $\mathbb{Z}_2$ 格点规范模型中取值为 $\{0, \pi\}$，而在 $U(1)$ 规范模型中取 $[0, 2\pi)$ 的连续相位。由于费米子在格点上的运动会受到规范场磁通（即威尔逊圈）的强烈调制，该系统具有极强的物理非定域性。研究人员通过精确对角化（ED）获取其在半填充（Half filling）或四分之一填充（Quarter filling）下的单体本征值与本征态，以此作为物理基准数据。

2.2 静态可观测量预测性能评估

训练数据集由随机采样的规范场配置组成（每个模型通过 ED 严格计算对应的物理响应），测试集与训练集比例为 20:80。下表整理了静态 Benchmark 的网络结构、关键参数及在独立测试集上的最终均方误差（MSE）：

静态结果深入剖析：

• 高精度全局拟合：如图 2(a, b)（$\mathbb{Z}_2$）和图 3(a, b)（$U(1)$）所示，GNN 预测的能量密度 $\epsilon_{\text{ML}}$ 与精确对角化计算的 $\epsilon_{\text{ED}}$ 呈现出极其完美的对角线聚集（Data collapse along the diagonal），未表现出任何系统性偏差，展现出极高的泛化预测精度。
• 超凡的空间局域密度解析：局部费米子密度 $n_i$ 极其敏感地依赖于量子干涉效应，尤其是费米子穿过大尺寸非定域威尔逊环路路径时的相位积累。如图 2(c, d) 和 3(c, d) 所示，模型对这一空间局部可观测量的预测精度达到了 $10^{-5}$ 级别（$R^2 > 0.97$），雄辩地证明了该 GNN 架构通过局域多层消息传递，已经彻底且精准地捕获了复杂的非定域量子多体关联，而非仅仅依赖简单的近邻特征归纳。

2.3 动态动力学模拟性能评估：$U(1)$ 量子链模型 (Quantum Link Model)

在物理模拟中，动态演化是最严苛的“试金石”。任何微小的局部预测误差都会随着时间积分快速累积，导致长期动力学发生不可挽回的相变或能量漂移。作者在具有挑战性的 $U(1)$ 量子链模型（规范磁体）上对模型动力学演化进行了测试。物理哈密顿量为：

在半经典（大 $S$）极限下，格点上的量子自旋算符被处理为单位经典自旋三维向量：

其半经典动力学遵循经典的哈密顿方程（泊松括号）：

2.3.1 动力学中的“保对称力场重构”难点

力场分量 $\mathbf{H}_{ij}$ 包含横向力 $H_{ij}^+$。在 ED 计算中，其表达式为：

这里，$\rho_{ij} = \langle c_i^\dagger c_j \rangle$ 是体系的单体密度矩阵（Single-particle Density Matrix）。计算这一项需要对哈密顿量在每个瞬时状态下进行精确对角化（$O(N^3)$ 复杂度），这构成了经典分子动力学模拟中最致命的算力瓶颈。而在机器学习中，由于力场 $\mathbf{H}_{ij}$ 本身在规范变换下是协变的（Gauge-covariant），GNN 无法在其纯规范不变输入（威尔逊圈）的空间中直接预测它。

2.3.2 自动微分（Autograd）物理破局

为了解决这一看似不可调和的矛盾（在规范不变空间中工作，却需要生成规范协变的力场），作者再次展现了深厚的物理功底，将 GNN 与自动微分（AD）物理一致性约束相融合：

1. 用 GNN 在规范不变特征空间中预测格点局域拟能量 $\varepsilon_i$：

   $$ E_{\text{ML}} = \sum_i \varepsilon_i[\{W_\square\}] $$

2. 由于 $E_{\text{ML}}$ 的显式前向传播路径完全建立在链变量 $\mathbf{S}_{ij}$（即 $\theta_{ij}$ 和 $\phi_{ij}$）之上，直接激活 PyTorch 的反向传播（Backpropagation）引擎，对基础链变量求偏导：

   $$ \hat{H}_{ij}^+ = -\frac{\partial E_{\text{ML}}}{\partial S_{ij}^-} \quad (\text{通过 AD 引擎自动获取}) $$

   这行极其简洁的操作在物理上产生了两大完美结果：

   • 数学规范协变性自然涌现：尽管神经网络内部特征完全规范不变，但对规范不变量（能量）关于规范协变量（链变量）的求导，完美且严格地导出了规范协变性的力场！
   • 能量守恒（保守力约束）自动满足：力场作为能量泛函的精确梯度，天然是保守力（Conservative force），保证了时空演化中体系总能量的稳定，彻底避免了机器学习动力学中常见的轨迹崩塌问题。

2.3.3 动力学性能分析

作者在 $20 \times 20$ 晶格上生成了包含 50 个随机初始轨道的轨迹，步长 $\Delta t = 10^{-3}$，共演化 8000 步。GNN 力场预测器总参数量为 $1.88 \times 10^6$。性能结果如下：

• 瞬时力预测精度：如图 4 所示，ML 预测的局域力与 ED 计算的实际力呈现出极强的对角线重合。其统计指标达到：

  $$ R^2 \approx 0.998, \quad \text{MSE} \sim 2.45 \times 10^{-3}, \quad \text{MAE} \sim 3.46 \times 10^{-2} $$

• 威尔逊圈演化轨迹追踪：如图 5 所示，在极具挑战性的长时间模拟中，基于 GNN 代理力场的时空演化轨迹（实线）在短至中期内与精确对角化（虚线）演化轨迹重合得天衣无缝，完美捕获了其高频非线性振荡的振幅与相位。在长达 $t=7.5$ 的强非线性漂移阶段，模型依然紧密贴合真实的演化趋势。

• 自相关函数完美拟合：为了从宏观统计和热力学角度评估模型，作者计算了系统的 Wilson 圈自相关函数 $A(\tau) = \langle \text{Re}[W_\square(t)] \text{Re}[W_\square(t+\tau)] \rangle$。如图 6 所示，基于 GNN 的动力学自相关衰减曲线（实线）与 ED 精确动力学（虚线）在全时间尺度上几乎完全重合！这意味着即便个体非线性轨迹由于混沌效应在极长尺度下产生微小分叉，GNN 重构的力场在统计物理和相空间流形的物理描述上依然是绝对精确的。

3. 代码实现细节、复现指南与开源生态

对于从事强关联体系或物理化学模拟的科研团队，复现该论文的核心方法需要重点理解两个技术节点：从格点数据构建对偶晶格的威尔逊圈，以及利用 PyTorch 的 Autograd 执行自动微分以导出 Conservative 规范协变力。以下提供一套标准 PyTorch 与 PyTorch Geometric (PyG) 代码设计模版，帮助读者快速落地复现。

3.1 核心算法：格点图构建与威尔逊圈前向传播（PyTorch/PyG 风格）

import torch
import torch.nn as nn
from torch_geometric.nn import MessagePassing
from torch_geometric.data import Data, Batch

class WilsonPlaquetteLayer(nn.Module):
    """
    从链变量 theta 提取 2D 正方晶格上所有的原胞威尔逊圈 W_square
    假设格点为 L x L, 链的方向按标准定义
    """
    def __init__(self, L):
        super(WilsonPlaquetteLayer, self).__init__()
        self.L = L
        self.N = L * L
        
    def forward(self, theta_links):
        """
        theta_links: 形状为 [num_links]，对应所有 oriented links 上的角度 theta_{ij}
        输出: [num_plaquettes] 的实部（或复数值）的威尔逊圈
        """
        # 基于 2D 晶格的拓扑连接性，获取构成每个 Plaquette 的四个 link 的索引
        # 每一个正方形原胞包含 4 条边: 底(b), 右(r), 顶(t), 左(l)
        # 这里的索引关系需要根据具体的晶格链编号映射确定
        b, r, t, l = self._get_plaquette_link_indices()
        
        # 沿闭合回路计算 theta 的代数和: W_p = exp( i * (theta_b + theta_r - theta_t - theta_l) )
        # 考虑到半经典自旋，可以使用复数张量计算
        theta_p = theta_links[b] + theta_links[r] - theta_links[t] - theta_links[l]
        w_p = torch.cos(theta_p)  # 这里仅提取 Re[W_p]，如论文 Eq. (13)
        return w_p

    def _get_plaquette_link_indices(self):
        # 内部拓扑映射逻辑 (略)
        pass

3.2 核心算法：GNN 消息传递与自动微分力提取器

class GaugeInvariantGNN(MessagePassing):
    """
    遵循公式 (3) & (4) 的规范不变图神经网络
    """
    def __init__(self, in_channels, out_channels):
        super(GaugeInvariantGNN, self).__init__(aggr='add') # 对称聚合
        self.lin_self = nn.Linear(in_channels, out_channels, bias=False)
        self.lin_neigh = nn.Linear(in_channels, out_channels, bias=False)
        self.bias = nn.Parameter(torch.zeros(out_channels))
        
    def forward(self, x, edge_index):
        # x: [num_sites, in_channels] - 节点特征 (每个节点收集 4 个邻近原胞特征)
        # edge_index: 二维格点的近邻连通图
        out_self = self.lin_self(x)
        out_neigh = self.propagate(edge_index, x=x)
        return torch.relu(out_self + out_neigh + self.bias)

    def message(self, x_j):
        return self.lin_neigh(x_j)


class ForceSurrogateModel(nn.Module):
    """
    利用自动微分 (AD) 产生 Conservative 力场的完整代理模型封装
    """
    def __init__(self, L, gnn_layers):
        super(ForceSurrogateModel, self).__init__()
        self.plaquette_extractor = WilsonPlaquetteLayer(L)
        self.gnn = gnn_layers  # 由多个 GaugeInvariantGNN 层和 MLP 读出层构成的网络
        
    def forward(self, theta_links, edge_index):
        """
        输入: 
          theta_links: 链变量角度 (需要开启梯度以进行自动微分)
          edge_index: GNN 格点连接关系
        输出:
          E_total: 预测的总能量
          H_forces: 通过自动微分求导导出的力场
        """
        # 1. 确保对链变量 theta_links 追踪梯度
        if not theta_links.requires_grad:
            theta_links = theta_links.clone().detach().requires_grad_(True)
            
        # 2. 从链变量提取规范不变的原胞威尔逊圈
        w_p = self.plaquette_extractor(theta_links)
        
        # 3. 将原胞特征映射并初始化为格点特征 (收集 site 邻近的 4 个 plaquettes)
        site_features = self._map_plaquettes_to_sites(w_p)
        
        # 4. GNN 前向传播并求和获得总能量 (Behler-Parrinello 分解)
        local_energies = self.gnn(site_features, edge_index)
        E_total = torch.sum(local_energies)
        
        # 5. 调用 Autograd 执行核心物理破局：对链变量求导获取物理力场
        # grad_outputs 设为 1，因为 E_total 为标量
        H_forces = torch.autograd.grad(
            outputs=E_total, 
            inputs=theta_links, 
            grad_outputs=torch.ones_like(E_total), 
            create_graph=True, # 如果需要训练时对力场求 Loss，保留图计算梯度
            retain_graph=True
        )[0]
        
        return E_total, H_forces
        
    def _map_plaquettes_to_sites(self, w_p):
        # 将原胞映射为格点的 4 通道初始特征向量 (略)
        pass

3.3 训练与复现参数配置细节

对于希望严格复现数据的团队，作者在论文中提供了以下关键工程实践：

1. 数据集生成：
   • 系统尺寸：$20 \times 20$ 正方格点（$L=20$）。
   • 采样：采用基于随机温度物理热浴的蒙特卡洛抽样，生成覆盖不同拓扑区段和激发的丰富规范配置基底。
2. 优化器与超参配置：
   • AdamW 优化器，配置权重衰减权重（Weight decay）为 $10^{-3}$。
   • 余弦退火调度器（Cosine Annealing Scheduler）：最大初始学习率根据任务（如表一所示）设为 $8 \times 10^{-5}$ 至 $3 \times 10^{-4}$，在 100 至 150 个 Epoch 内平滑降至 $10^{-6}$ 以下。这能极好地抑制非线性力场模型中常见的梯度爆炸和泛化性能振荡。
3. 推荐使用的开源软件包与生态基础设施：
   • PyTorch Geometric (PyG) (Link: pytorch-geometric.com)：用于实现高性能的晶格平移不变消息传递。
   • DeepMD-kit (Link: github.com/deepmd/deepmd-kit)：经典的 Behler-Parrinello 分子动力学模型库，其对势能和梯度的处理思想与本工作高度一致，可作为实现力场 AD 的优秀参考。

4. 关键引用文献与前沿批判性评论

4.1 关键引用文献

本研究的理论构建深度依赖于高能物理、强关联物理和计算材料学的经典工作，推荐读者在阅读本工作时重点参阅以下文献：

1. LGT 的理论基石：
   • Wilson, K. G. Confinement of quarks. Phys. Rev. D 10, 2445 (1974). (论文引文 [46])
     • 点评：该文首次引入了格点 gauge 表达和闭合路径环路算符，是现代威尔逊圈物理概念的诞生地。
2. 哈密顿量格点规范表述与量子链模型：
   • Kogut, J. B. & Susskind, L. Hamiltonian formulation of Wilson’s lattice gauge theories. Phys. Rev. D 11, 395 (1975). (论文引文 [47])
   • Chandrasekharan, S. & Wiese, U.-J. Quantum link models: A discrete approach to gauge theories. Nucl. Phys. B 492, 455 (1997). (论文引文 [61])
     • 点评：将经典连续规范群用有限维代数（量子自旋算符）替代，奠定了规范磁体动力学演化的半经典大 $S$ 模拟基础。
3. Behler-Parrinello 机器学习范式：
   • Behler, J. & Parrinello, M. Generalized neural-network representation of high-dimensional potential-energy surfaces. Phys. Rev. Lett. 98, 146401 (2007). (论文引文 [8])
     • 点评：开创了将全局标量物性（总能量）解耦为定域局部特征贡献之和的训练模式，是本文通过自动微分产生守恒规范协变力的技术先驱。

4.2 前沿批判性评论（Critical Commentary）

尽管 Rayat 和 Chern 的工作在学术界引起了极大关注，并且在阿贝尔格点规范理论模拟中展现了前所未有的优越性，但作为一名理性的物理化学和理论计算学者，我们必须客观地指出该架构在通往更广阔物理/化学天空时面临的核心局限性与潜在的技术障碍：

局限性 1：通往非阿贝尔规范理论（Non-Abelian LGTs, 如 $SU(2)$, $SU(3)$）的深壑

这是该方法面临的最大挑战。阿贝尔规范理论（$U(1), \mathbb{Z}_2$）的成功，根植于其规范群的可交换性。正是由于可交换性，任何复杂、长程、自相交的闭合威尔逊圈都可以毫无悬念地乘积解耦为基本原胞圈 $W_square$ 的乘积（公式 12）。 然而，对于非阿贝尔规范群（例如高能格点色动力学 QCD 中的 $SU(3)$，或者阻挫超导体中的涌现 $SU(2)$ 规范场），由于群矩阵不可交换，威尔逊圈的组合遵循极其复杂的路径排序（Path Ordering），大圈不能简单分解为局部小圈的代数乘积。在非阿贝尔体系中，局部威尔逊圈的代数并不能完整涵盖规范不变空间的所有物理信息。在这种情况下，本文所主张的“在输入端彻底重构为规范不变表征”将面临极大的代数困难，传统的**规范等变神经网络（Gauge-Equivariant GNN）**在非阿贝尔领域目前仍具不可替代的垄断地位。

局限性 2：半经典（Semiclassical）动力学的非完全量子性限制

论文在第 IV 节的动力学测试是在半经典（大 $S$）极限下展开的，其中格点上的链变量被近似为经典的三维自旋向量，演化遵循泊松括号。虽然这可以定性捕获规范磁体的核心动力学特征，但在真实的低温低维物理和分子体系中，强关联量子涨落（例如量子自旋液体的自旋子激发、多体干涉局域化等）具有完全的非经典特性。如何在完全量子化的格点规范模型（即保留全部希尔伯特空间特征，而非退化为三维经典自旋）中，用 GNN 预测出具有量子纠缠相干特征的演化，仍是一个悬而未决的挑战。

局限性 3：拓扑缠绕扇区对转移性（Transferability）的制约

图神经网络的一大卖点是其在不同系统尺寸之间的可转移性（即在 $20 \times 20$ 晶格上训练好的模型，可以直接在 $40 \times 40$ 晶格上运行）。然而，本模型引入了用于捕获拓扑相的全局虚拟节点（用来传递缠绕威尔逊圈 $W_x, W_y$ 的全局信息）。当格点尺寸发生改变时，非局部缠绕环路的拓扑定义、物理长度和信息聚合权重将发生物理突变。这意味着，一旦涉及拓扑非平凡或相边界的多体模拟，全局虚拟节点的参数极难进行跨尺寸泛化，往往需要针对特定晶格尺度进行重新训练。

5. 其他必要补充：物理化学与凝聚态关联领域的广泛应用前景

Rayat 和 Chern 提出的这一规范不变 GNN 架构，不仅是高能物理与人工智能结合的产物，其底层的物理思想对理论物理化学、强关联多体物理以及前沿量子计算模拟具有极强的辐射和赋能效应。

5.1 赋能自适应蒙特卡洛（Self-Learning Monte Carlo, SLMC）

在强关联物理和多体化学模拟中，集成费米子后的有效相互作用计算是绝对的算力黑洞。例如在著名的**基塔耶夫蜂巢模型（Kitaev Honeycomb Model）**中，物质场由静止的规范背景场耦合的马约拉纳费米子构成。当我们试图通过蒙特卡洛方法对各种规范磁通配置进行抽样以计算热力学行为时，每次尝试改变一个磁通，都需要重新计算一遍庞大哈密顿量的费米子配分函数，其计算开销使得大尺寸模拟难于登天。

基于本论文提出的 GNN 架构，我们可以构建一个极速的 SLMC 运行机制：

[ GNN 代理模型 ] ───► 快速计算拟能量 E_{ML}[{W__}] ───► 进行 100,000 次蒙特卡洛全局快速抽样 (零计算代价)
       ▲                                                                   │
       │ (定期重新精细校准模型)                                            ▼
[ Exact Diagonalization ] ◄────────────────────────────── [ 极少数的高效真实构型物理更新 (Metropolis Step) ]

通过在 GNN 代理能量空间内进行大规模配置建议（Proposals），并在极少数的更新步骤中使用精确对角化（ED）进行校准，可以实现多达 4-5 个数量级的模拟加速，使大尺寸 Kitaev 量子自旋液体的热力学模拟成为可能。

5.2 变分蒙特卡洛（VMC）与神经网络量子态（Neural Quantum States）的物理净化

近年来，利用图神经网络作为变分波函数（称为神经网络量子态，NQS）来求解强关联体系的基态能，已成为物理化学界的研究热点。然而，直接用传统的自回归或常规 GNN 拟合波函数时，所生成的波函数往往包含大量的“规范不纯净”（Gauge-unclean）成分，即不满足高斯定律约束（Gauss’s Law）。这要求研究人员在变分优化过程中，必须额外加入强烈的投影算符（Projection operators）来过滤非物理态，这会极大地降低变分效率，并导致梯度消失。

如果直接基于本文的 Wilson loop GNN 架构来构建神经网络量子态：

由于变分波函数的输入天然地局限在规范不变的威尔逊圈集合内，所产生的变分量子态在数学上天然、严格地满足格点高斯定律。这无需任何额外的物理投影步骤，从而为解决强关联过渡金属氧化物、人工合成光晶格中的格点电动力学（Lattice QED）变分基态计算提供了一条无比纯净、高效的崭新路线。