来源论文: https://arxiv.org/abs/2606.05293v1 生成时间: Jun 06, 2026 10:12

0. 执行摘要

在强关联费米子多体系统中，孤立量子系统动力学演化中的**热化（Thermalization）**及其破缺是量子统计力学与凝聚态物理的核心前沿问题。长期以来，由于非平衡态下量子纠缠的快速累积，传统的经典数值计算方法在处理二维（2D）强关联多体系统时面临着不可逾越的“纠缠壁垒”与费米子符号问题。这使得我们无法可靠地探索二维系统在长演化时间下的热化行为。

本项工作由 Alessandro Sinibaldi、Luciano Loris Viteritti、Riccardo Rende、Fakher F. Assaad 以及神经网络量子态（NQS）的开创者 Giuseppe Carleo 等人共同完成。研究者们发展了一套极具突破性的数值模拟方案：他们将**时变变分蒙特卡洛（tVMC）与基于Transformer架构的神经网络量子态（NQS）相结合，并利用线性变分方法（LVM）对波函数进行长时动力学外推。同时，他们采用正则系综辅助场蒙特卡洛（AFQMC）**计算了等效温度下的热力学平衡态预测，以此作为基准。

研究结果表明，在半满（Half-filled）正方晶格的二维哈伯德模型中，系统在经历相互作用的线性淬火（Ramp Quench）后，表现出两种截然不同的动力学行为：

1. 弱到中等相互作用区（$U \le 3$）：系统的长时双占率（Double Occupancy）动力学渐近值与正则热力学系综预测完全吻合，符合各向同性热化（Ergodic Relaxation）与本征态热化假说（ETH）。
2. 强相互作用区（$U \ge 4$）：长时双占率的渐近演化值与热力学预测发生了显著偏离，表现出明确的热化破缺（Thermalization Breakdown）特征。这一临界点 $U_c \in [3, 4]$（约 3.75）与无限维下的动力学平均场理论（DMFT）预测高度契合。

该研究成果首次在二维哈伯德模型中给出了热化破缺的直接数值证据，不仅确立了神经网络量子态在模拟二维强关联非平衡态动力学中的主导地位，也为超冷原子光晶格等量子模拟器提供了高精度的经典计算基准。

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：量子热化与非平衡态动力学

孤立的多体量子系统在经历外部扰动（如淬火）后，其自身是否能够通过自热化（Self-thermalization）达到经典统计力学所描述的平衡态？这一问题的理论基石是本征态热化假说（Eigenstate Thermalization Hypothesis, ETH）。根据 ETH，对于一个遍历性（Ergodic）系统，单一多体本征态对局部可观测量的微观预期值与微正则系综或正则系综的宏观预测值相同。然而，当系统引入强关联作用、无序或特定动力学约束时，ETH 可能会失效，从而导致热化破缺。典型的热化破缺机制包括多体定位（Many-Body Localization, MBL）以及量子多体伤疤态（Quantum Many-Body Scars）。

在二维哈伯德模型这一强关联电子的黄金范式中，是否存在由于莫特（Mott）物理引起的本征热化破缺，一直是一个悬而未决的公开难题。这不仅关乎到如何理解高温超导体等材料中的非平衡态光致相变（如光致超导现象），还直接指导着现代超冷原子模拟器中非平衡态物态的制备与表征。

1.2 物理模型与非平衡淬火协议

研究对象为半满、零总自旋磁化强度的二维费米哈伯德模型，其时变哈密顿量为：

其中，$\hat{c}_{i\sigma}^\dagger$ 与 $\hat{c}_{i\sigma}$ 分别为在格点 $i$ 上创建和消灭自旋为 $\sigma \in \{\uparrow, \downarrow\}$ 的费米子的算符；$\hat{n}_{i\sigma} = \hat{c}_{i\sigma}^\dagger \hat{c}_{i\sigma}$ 为数算符。设置最近邻跳跃振幅 $t_{\text{hop}} = 1$ 作为能量单位。系统的初始状态 $|\Psi_0\rangle$ 制备在非相互作用（$U=0$）的费米海基态上，采用满足闭壳层条件的周期性或抗周期性边界条件。

非平衡驱动方案采用线性淬火（Linear Ramp Quench）协议，将相互作用强度 $U(t)$ 在有限时间 $\tau$ 内从 $0$ 线性增加到最终值 $U$：

在本工作中，研究者将 ramp 时间固定为 $\tau = 1.25$。该协议能够有效规避突然淬火（Sudden Quench）带来的过高能量激发，同时又保留了非绝热的动力学特征。

1.3 数值技术难点：二维关联体系的“纠缠壁垒”

模拟二维强关联费米子的时值演化极具挑战性：

• 精确对角化（ED）：希尔伯特空间维度随系统尺寸指数增长，对于半满费米子，其空间规模最大仅能支持到 $4 \times 4$ 晶格的完整演化。
• 张量网络方法（TN / DMRG）：虽然在一维体系中大获成功，但在二维系统中，面积律（Area Law）导致量子纠缠随时间呈线性增长，使得所需的键度（Bond Dimension）爆炸式增加，演化时间通常被限制在极短的尺度内（$t \sim 2$ 到 $3$）。
• 非平衡态动力学平均场理论（non-equilibrium DMFT）：虽然能处理无限维情况，但忽略了二维格点上极其关键的局域空间关联（Spatial Correlations）。

1.4 方法细节：tVMC + Transformer NQS 变分方案

为了克服上述瓶颈，研究者提出了一套融合深度学习与时变变分原理的混合算法。其核心组成如下：

1.4.1 时变变分蒙特卡洛（tVMC）与麦克拉克伦原理

通过变分波函数 $|\Psi_\theta(t)\rangle$ 来近似精确的随时间演化的状态。变分参数 $\theta(t)$ 的演化轨迹通过最小化时变薛定谔方程的残差（即麦克拉克伦变分原理）来决定：

这将推导出关于变分参数演化速度 $\dot{\theta}$ 的线性方程组：

其中，量子几何张量（Quantum Geometric Tensor, QGT）$S_{\alpha\beta}$ 和变分力矢量 $F_\alpha$ 的定义分别为：

1.4.2 神经正切核（NTK）重构技术

在 NQS 架构中，变分参数的数量 $P$ 往往达到数十万到数百万，直接求解 $P \times P$ 大小的 $S$ 矩阵的逆在计算上是不可承受的。作者引入了神经网络量子态领域的突破性技术——NTK 重构。通过变分算符矩阵 $X \in \mathbb{R}^{2M \times P}$（其中 $M$ 为蒙特卡洛样本数，$M \ll P$），将原本方程重写为在样本空间中求解的对偶方程：

由于只需要求逆一个 $2M \times 2M$ 大小的对偶矩阵 $X^T X$，这一重构使得变分动力学演化能够高效且稳定地扩展到超大规模参数神经网络中。在求解时，通过奇异值分解（SVD）抛弃小于 $r_{\text{cond}} \cdot \lambda_{\text{max}}$（设置 $r_{\text{cond}} = 10^{-9}$）的本征值以保证数值稳定性。

1.4.3 Transformer Backflow 波函数架构

为了处理费米子波函数的反对称性、长程关联及复杂的符号结构，作者采用了基于 Transformer 架构的单粒子反流（Backflow）波函数：

输入为费米子构型 $\boldsymbol{n} = (\boldsymbol{n}_\uparrow, \boldsymbol{n}_\downarrow)$。对于每一个格点，局域粒子数变量 $n_{i\sigma} \in \{0, 1\}$ 被映射到一个高维嵌入空间（Embedding Space）向量 $\boldsymbol{x}_{i\sigma} \in \mathbb{R}^D$。Transformer 的多头自注意力机制（Multi-Head Self-Attention, $h=12$ 个自注意力头，$n_l=2$ 层 Transformer 层）对输入序列进行非局域的特征提取，输出一套全新的向量 $(\boldsymbol{y}_1, \dots, \boldsymbol{y}_N)$，其包含了体系深层的空间关联信息。利用 site-resolved 线性变换算符，定义出一套随多体构型变化的时变费米子单粒子轨道（即反流轨道）：

其中，$\alpha = 1, \dots, N_e$ 为轨道指数。最终的多体波函数振幅由单粒子反流轨道矩阵经由构型选择后的 Slater 行列式给出：

此外，为消除变分偏差并显著提升精度，作者还在波函数构建后，利用对称性恢复（Symmetry Restoration）技术在变分层面上a posteriori（后验地）投影并强制恢复了晶格平移对称性。

1.5 动力学外推的核心：线性变分方法（LVM）

即便借助强力的 Transformer NQS，直接进行时值演化依然会因为变分截断误差的累积而面临演化时间上限（本工作中 $t_f \sim 3.0$）。为了获取系统在无限时间极限下（$t \to \infty$）的长期平均行为，研究者引入了时变线性变分方法（LVM）。

LVM 的理论基础是将长时演化的状态投影到一个由前期 tVMC 计算得到的有限个时态快照所构建的 Krylov 子空间上。在该子空间内，波函数可以写为线性叠加形式：

其中，基矢 $|\Phi_k\rangle$ 是在等间距时刻 $\Delta t = 0.2$ 抽取的、经由 tVMC 精确计算的波函数快照。通过在这一子空间中求解矩阵薛定谔方程：

其中 $\mathbb{S}_{kl} = \langle \Phi_k | \Phi_l \rangle$ 为重叠（Gram）矩阵，$\mathbb{H}_{kl} = \langle \Phi_k | \hat{H} | \Phi_l \rangle$ 为子空间哈密顿量矩阵。由于基矢间存在重叠，这两个矩阵均通过高精度的蒙特卡洛抽样（每格点采用 $M = 2^{19} = 524,288$ 个样本以确保收敛）进行计算。

一旦在 Krylov 子空间内解得时变系数 $\boldsymbol{\alpha}(t)$，通过对其进行傅里叶展开并严格过滤掉所有随时间快速振荡的非对角相位贡献，即可解析且极其鲁棒地推导出局部可观测算符 $\hat{A}$ 的长期渐近平均值 $\langle \hat{A} \rangle_\infty$：

该方法将量子态本身的动力学行为外推到无限长时间，本质上是一种第一性原理性质的量子态外推法，精度远超直接对可观测物理量进行时间序列拟合的方法。

2. 关键基准体系、计算所得数据与性能数据

为了确立这一复杂计算方案的可靠性，研究者在多个具有代表性的体系上执行了严苛的 Benchmark 测试。

2.1 4x4 正方晶格：与精确对角化（ED）的绝对比对

首先在 $4 \times 4$ 晶格（半满，16个费米子）上进行测试。由于该体系的希尔伯特空间规模允许执行完整的 ED 演化，因此它是最直接的精度试金石。

• 双占率随时间的动态演化（参见原论文 Fig. 4）：
  • 在 $U=1, 3, 5$ 的所有三个典型关联强度下，tVMC 计算得到的双占率轨迹 $d(t) = \langle \hat{d} \rangle(t)$ 在整个模拟时间段 $t \in [0, 3.0]$ 内与 ED 的精确演化曲线（Solid Black Line）完全重合。蒙特卡洛统计误差线小于数据点图标大小。
  • LVM外推的无限时间极限值 $\langle \hat{d} \rangle_\infty$：
    • 对于 $U=1$：LVM 外推得到 $\langle \hat{d} \rangle_\infty \approx 0.222$，与 ED 在极长演化时间平均下的精确值 $0.222$ 完全一致。
    • 对于 $U=3$：LVM 外推值为 $0.149$，对应 ED 的长期渐近线 $0.148$。
    • 对于 $U=5$：LVM 外推值为 $0.118$，ED 为 $0.118$，完全契合。

这一极高精度的匹配有力地证明了由时变变分蒙特卡洛产生的快照基底，在经过 LVM 投影和外推后，能够无损地捕捉哈密顿量时值演化的核心动力学特征。

2.2 1D 36格点体系：与张量网络（MPS-TDVP）的比对

在超出 ED 极限的大尺寸体系上，作者构建了一个等效尺寸的 1D $N=36$ 格点系统（半满），在该系统上可以用极为精确的矩阵乘积态时变变分原理（MPS-TDVP，设置了极大的键度）提供可靠的参考线。这一测试旨在评估 Transformer NQS 对一维和二维长程关联的自适应表达能力。

• 物理结果表现（参见原论文 Fig. 5）：
  • 在整个动力学演化中，Transformer NQS 计算的双占率数据点与 MPS-TDVP 的参考线完全吻合。
  • 变分累积误差分析：通过计算集成的 TDVP 误差度量： $$\mathcal{R}^2(t) = \frac{1}{\sqrt{N}} \int_0^t \sqrt{\delta s^2} dt$$ 其残差平方 $\delta s^2 = \delta t^2 [\text{Var}(\hat{H}) + \dot{\theta}^T S \dot{\theta} - 2\text{Re}(F)^T\dot{\theta}]$ 在整个动力学路径中始终处于 $\mathcal{R}^2(t) \le 1.6 \times 10^{-3}$ 的极低水平（原论文 Fig. 5 内插图）。
  • 重要的是，$2\text{D}$ 系统的变分误差曲线与 $1\text{D}$ 系统的误差曲线表现出了高度一致的极低量级，证明了自注意力机制在捕获多维关联结构时的强大表达力。

2.3 8x8 正方晶格：核心物理发现与热化破缺的确证

在物理上最具突破性的是 $8 \times 8$ 晶格（半满，$N=64$ 格点，希尔伯特空间规模达 $10^{37}$）的计算结果。在该尺度下，研究者展示了随着变分基底最大演化时间 $t_f$ 的增加，LVM 外推值的稳定收敛行为（参见原论文 Fig. 7）。

2.3.1 外推函数的拟合性能

采用外推函数 $\langle \hat{d} \rangle_\infty(1/t_f) = a + b(e^{x/c}-1)$ 进行拟合：

• 在弱相互作用 $U=1$ 下：外推收敛极快，甚至只需极短的 $t_f$ 轨迹即可稳定预测长期值。
• 在强相互作用 $U=5$ 下：动力学行为变得极其复杂，探索的希尔伯特子空间更为庞大。然而，当 $1/t_f \to 0$ 时，外推曲线展现出优秀的渐近稳定性，给出了可靠的无限时间演化极限值 $\langle \hat{d} \rangle_\infty = 0.114 \pm 0.003$。

2.3.2 长期动力学渐近值与热力学预测值的决定性对决

为了检验热化，作者计算了热平均值 $\langle \hat{d} \rangle_{\text{th}}$。利用正则 AFQMC，通过能量匹配确定了有效温度 $T_{\text{eff}}$。两者的对比数据列于下表：

通过偏离序参量 $\Delta d = |1 - \langle \hat{d} \rangle_\infty / \langle \hat{d} \rangle_{\text{th}}|$ 随最终相互作用强度 $U$ 的演化可以清晰地看出（参见原论文 Fig. 2(b) 内插图）：

• 当 $U \le 3$ 时，偏离量在误差范围内严格为 $0$。这表明在此弱关联区域，动力学淬火状态最终演化为满足 ETH 的热化平衡态。
• 当 $U \ge 4$ 时，$\Delta d$ 陡峭跃升至零以上，在 $U=5$ 时达到高达 $8.11\%$ 的偏差（具有大于 $6\sigma$ 的统计置信度）。这清晰地揭示了热化在强关联区域的破缺，长时动力学状态偏离了经典的正则统计描述。系统的本征态无法通过相互作用的散射自发实现遍历性退相干。

3. 代码实现细节、复现指南及开源软件包生态

为了使科研人员能够复现本工作，以下详细列出了计算方案的代码结构和操作路径。

3.1 核心变分计算工具箱：NetKet 3.x

tVMC 和 Transformer NQS 波函数的构建在基于 JAX 框架的高性能量子多体计算库 NetKet 中实现。以下是构建具有反流变换的自注意力波函数的伪代码架构：

import jax
import jax.numpy as jnp
import netket as nk
import flax.linen as nn

# 1. 定义格点与费米子哈密顿量
g = nk.graph.Grid(length=[8, 8], pbc=True)
hi = nk.hilbert.SpinfulFermions(n_max=1, N=g.n_nodes)

# 2. 定义基于 Flax 的 Transformer Backflow 神经网络结构
class TransformerBackflow(nn.Module):
    hilbert: nk.hilbert.SpinfulFermions
    embedding_dim: int = 72
    num_heads: int = 12
    num_layers: int = 2

    @nn.compact
    def __call__(self, x):
        # 输入形状: (batch_size, 2 * N)
        # 步骤 A: 将输入映射为高维嵌入向量
        embedding = nn.Embed(num_embeddings=2, features=self.embedding_dim)(x.astype(jnp.int32))
        
        # 步骤 B: 堆叠自注意力层 (Transformer Blocks)
        t_out = embedding
        for _ in range(self.num_layers):
            t_out = nn.SelfAttention(num_heads=self.num_heads)(t_out)
            t_out = nn.LayerNorm()(t_out)
            
        # 步骤 C: 映射到单粒子反流轨道系数
        # 输出尺寸需满足: (batch_size, 2 * N, N_electron)
        num_electrons = self.hilbert.n_particles
        orbitals = nn.Dense(features=num_electrons)(t_out)
        
        # 步骤 D: 计算 Slater 行列式振幅
        # 执行构型与轨道的点乘并计算行列式
        # 在实际实现中，这部分通过 netket.jax.det 算子高度优化执行
        log_psi = jnp.linalg.slogdet(orbitals[:, :num_electrons, :])[1]
        return log_psi

# 实例化神经网络量子态 (NQS)
model = TransformerBackflow(hilbert=hi)
sa = nk.sampler.MetropolisExchange(hilbert=hi, graph=g, d_max=2)
vs = nk.vstate.MCState(sa, model, n_samples=16384)

# 3. 设置时间演化动力学积分器
# 使用 McLachlan 时变变分原理
integrator = nk.experimental.dynamics.Heun(dt=0.01)
# 结合时变非对偶 NTK 求解方程求解参数演化

3.2 长期外推模块：LVM 算法复现

LVM 算法的实现核心在于高效重构 Krylov 子空间矩阵并处理奇异值求逆：

1. 步骤一：从 tVMC 轨迹中提取 $M_{\text{basis}} = 15$ 个等时间隔的波函数 $\{|\Phi_k\rangle\}$。
2. 步骤二：利用蒙特卡洛抽样计算重叠矩阵 $S_{kl}$ 和哈密顿量矩阵 $H_{kl}$。由于基矢间重叠度可能极高，导致 $S$ 矩阵条件数极差，必须对其进行严格的分流正则化求逆： $$S^{-1} = \sum_{i, \lambda_i > 10^{-6}} \frac{1}{\lambda_i} |v_i\rangle \langle v_i|$$
3. 步骤三：解析求解 $\dot{\boldsymbol{\alpha}}(t) = -i S^{-1} H \boldsymbol{\alpha}(t)$。由于 $15 \times 15$ 的矩阵极小，可以在 CPU 上瞬时完成求解并获得傅里叶成分，从而输出外推长期均值。

3.3 热力学基准计算：ALF (Algorithms for Lattice Fermions)

正则系综 AFQMC 计算依托于开源 Fortran 框架 ALF。在半满正方晶格哈伯德模型上，为了消除传统大配分系综（Grand-Canonical）粒子数涨落对双占率带来的系统性偏差，必须将仿真置于正则系综（Canonical Ensemble）中。

通过在 ALF 脚本中构建带有约束惩罚项的哈密顿量来实现：

! ALF 哈密顿量修改模块：引入正则系综粒子数惩罚项
Real (Kind=Kind(0.d0)) :: Lambda_N = 10.d0 ! 约束惩罚系数
Real (Kind=Kind(0.d0)) :: Target_N = 64.d0  ! 8x8 晶格对应的半满电子数

! 将惩罚算符 H_penalty = Lambda_N * (N_operator - Target_N)**2 添加到辅助场演化中
! 随着温度 Teff 的确定，通过逐步提升 Lambda_N 直至粒子数涨落 <Delta N**2> 收敛于零。

3.4 关键开源软件生态系统链接汇总

• NetKet 3 (NQS 构建与时值演化): https://github.com/netket/netket
• ALF Library (正则系综辅助场蒙特卡洛): https://github.com/ALF-QMC/ALF
• XDiag (4x4 极高精度 ED 验证): https://github.com/xdiag/xdiag
• ITensor (一维 MPS-TDVP 对照组): https://github.com/ITensor/ITensors.jl
• 作者开源项目代码仓 (用于复现此文的直接配置代码): 可在 GitHub 库 ALF-QMC/Hamiltonians/Hubbard_Canonical https://github.com/ALF-QMC/Hamiltonians/tree/main/Hamiltonians/Hubbard_Canonical 处获取相关的 canonical AFQMC 修改脚本。

4. 关键引用文献与局限性批判评论

4.1 关键参考文献及其科学承接

1. Rigol et al., Nature 452, 854 (2008)：阐述了孤立多体量子系统热化机制与本征态热化假说（ETH）的现代标准，是本工作探索热化破缺的核心理论源头。
2. Carleo & Troyer, Science 355, 602 (2017)：首次提出神经网络量子态（NQS）概念。本工作是这一方法向二维时值动力学领域最深水区的重大推进。
3. Eckstein et al., Phys. Rev. Lett. 103, 056403 (2009)：首次在无限维极限下利用非平衡态 DMFT 揭示了哈伯德模型在线性淬火下的预热化与热化行为。本工作承接了该项研究，并成功将其物理学版图拓展至极具挑战性的真实二维空间。
4. Sinibaldi et al., Phys. Rev. Lett. 136, 120402 (2026)：提出了时间相关的线性变分方法（LVM）。本工作证明了该方法在费米子多体长期外推中的普适性。

4.2 本项工作局限性的深度学术评论

尽管本工作在数值物理学上取得了极富创造性的成果，但以最严苛的学术眼光审视，它依然存在若干不容忽视的局限性：

1. 预热化（Prethermalization）与真实热化破缺的灰色边界

在强相互作用 $U=5$ 下观察到的 $\langle \hat{d} \rangle_\infty$ 与 $\langle \hat{d} \rangle_{\text{th}}$ 偏离，作者归因于真正的热化破缺。然而，我们不能完全排除这是由于一个寿命极长、但在极远演化时间尺度下依然会衰减的“预热化平台”所致。虽然作者在 $4 \times 4$ 晶格的无尽时间 ED 演化中没有发现向热学平衡态靠拢的迹象，但二维宏观极限下的系统是否存在由于非局域长程激发导致的超慢热化（如雪崩热化，Avalanche Thermalization），仅靠目前的有限尺寸 $8 \times 8$ 晶格演化是无法盖棺定论的。

2. 有限尺寸效应对临界相互作用强度 $U_c$ 确定的制约

目前计算受限于 $8 \times 8$ 晶格尺寸，在强关联物理中，该尺度虽然在数值上已是技术极限，但在确定精确相变点和临界行为时仍存在显著的有限尺寸修正（Finite-Size Correction）。临界强度 $U_c \in [3, 4]$ 的精确热力学极限（TDL）外推，仍需要更大晶格（如 $12 \times 12$ 或 $16 \times 16$）在未来更强算力下的数据点支撑。

3. 正则约束下 AFQMC 的“温和符号问题”隐患

正如作者在第三节所述，将 AFQMC 投影到正则系综的自旋 $S^z = 0$ 子空间中，会人为引入温和的符号问题（对于 $8 \times 8, U/t=4$，平均符号 $\bar{s} = 0.929 \pm 0.001$）。这一偏离尽管目前能通过除以 $\bar{s}$ 轻易修正，但若要深入到更低的温度区（即高能激发更少的低温淬火）或者偏离半满的掺杂区（Doped Region），符号问题将发生指数级恶化，届时精确的热力学等效基准将不可获得。

5. 技术补充：为什么普通方法会失败，以及未来的学术增长点

5.1 费米子符号问题与反流变换（Backflow）的救赎

在变分量子蒙特卡洛（VMC）中，费米子多体波函数的符号结构是决定计算成败的灵魂。对于一个包含众多节点（Nodal Surfaces）的费米多体系统，若采用普通的 Slater 行列式，其节面在参数演化中是保持固定不变的（由基态单粒子轨道决定），这被称为固定节面近似（Fixed-Node Approximation）。这使得变分动力学只能在局域拓扑区域内进行探索，必然导致严重的变分系统偏差。

反流变换通过引入与所有其他粒子位置相关的多体自适应修正，彻底打破了这一桎梏。由于单粒子轨道 $\Phi_{i\sigma\alpha}(\boldsymbol{n})$ 是随着体系的即时构型 $\boldsymbol{n}$ 动态重组的，波函数在参数演化过程中的节面得到了极具灵活性的自我调节和自动优化。而 Transformer 架构的自注意力机制提供了长程的多体纠缠修正。多头自注意力层能够以 $O(1)$ 的信息通路跨越整个二维晶格，直接计算出任意两个遥远粒子之间的关联，从而使得这种反流轨道的调制极其灵敏且具有全局相关性。这正是普通变分方案（如带有局域 Backflow 的前馈网络）在二维系统演化时间到 $t \sim 1$ 时即发生发散，而本项目方案能稳定演化至 $t \sim 3$ 并成功进行长时外推的核心物理奥秘。

5.2 未来研究的增长极：非零掺杂、超导与动力学谱函数

本项工作所构建的技术范式极易向以下几个最令人兴奋的科学前沿进行辐射式推广：

1. 偏离半满的非零掺杂空穴体系（Doped Hubbard Model）

在二维哈伯德模型中，掺杂系统的非平衡态动力学承载着高温超导母体在光照射下实现“非平衡态超导态”的物理梦想。然而，掺杂系统会带来严重的费米子符号问题。探究当空穴掺杂率 $\delta > 0$ 时，线性淬火是否会激发出更长的亚稳态寿命，甚至展现出瞬态关联超导特征，是凝聚态物理学界梦寐以求的课题。

2. 动力学谱函数的直接计算（Dynamical Spectral Functions）

通过将时变波函数快照与外推得到的 $\boldsymbol{\alpha}(t)$ 系数代入多体格林函数的演化计算，我们能直接提取强关联系统在非平衡激发状态下的单粒子和双粒子谱函数：

这将能与超快角分辨光电子能谱（tr-ARPES）等最前沿的实验观测进行无缝的定量化学术对接，彻底打通“理论建模 - 数值仿真 - 超快物性实验”的创新闭环。