来源论文: https://arxiv.org/abs/2606.24332v1 生成时间: Jun 29, 2026 12:21

数据驱动的波函数压缩：利用神经网络分类器加速经典与量子选择配置相互作用（SCI/SQD）方法

0. 执行摘要

在现代量子化学和电子结构理论中，精确描述强关联体系（如过渡金属催化剂、键断裂过程以及激发态分子）的电子相关效应一直是最核心的挑战之一。全配置相互作用（Full Configuration Interaction, FCI）方法虽然能够在线性独立的一粒子基组下提供精确的非相对论 Schrodinger 方程解，但其计算复杂度随着活性轨道数和电子数的增加呈现出灾难性的指数级增长（$O(e^N)$），这使得 FCI 仅能应用于极小的分子体系。

为了绕过这一“指数墙”，**选择配置相互作用（Selected Configuration Interaction, SCI）**方法应运而生。SCI 方法通过迭代地选择和保留对基态波函数贡献最显著的 Slater 行列式，构建出极度压缩且高效的变分空间，从而在仅占用 FCI 希尔伯特空间微小比例（通常小于 1%）的情况下，达到接近 FCI 的能量精度。然而，传统的 SCI 方法（如 CIPSI、ASCI 和 HCI）严重依赖于基于一阶或二阶微扰理论的物理启发式筛选标准。随着变分空间的扩大，每一轮迭代中需要显式评估的候选行列式数量呈爆炸式增长，这构成了经典 SCI 算法的主要计算瓶颈。同时，在近斯标准（NISQ）时代的量子计算中，**样本基量子对角化（Sample-based Quantum Diagonalization, SQD）**等量子-经典混合算法也面临着量子测量噪声高、采样效率低下和配置重复率高的问题，极大地限制了其在实际化学问题中的精度和收敛速度。

近期发表在 arXiv 上的研究工作 “Enhancing quantum-classical configuration interaction methods using a neural-network classifier”（作者：Severino Zeni 等，2026年）为解决上述难题提供了一条全新的数据驱动路径。研究团队巧妙地将 SCI/SQD 迭代过程中的**“行列式重要性筛选”重构为一个机器学习二分类任务**。他们引入了一个轻量级的多层感知机（MLP）分类器，并通过一个自适应的主动学习（Active Learning）循环将其无缝嵌入到 CI 变分迭代的工作流中。在每一轮变分更新中，算法仅对候选行列式空间的一个微小随机子集（例如 20%）进行临时的经典对角化以获取“基准真相（Ground-truth）”标签，随后在线训练分类器，并利用其高泛化性能快速预测和筛选剩余的大规模候选空间。

该方法的基准测试（Benchmark）结果令人瞩目：

• 经典 cHCI（分类器增强型热浴配置相互作用）变体：在计算 $N_2$ 分子基态相关能时，cHCI 仅需传统热浴 CI（HCI）1/5（20%）的变分空间尺寸，即可恢复超过 98% 的 CASCI 相关能。这直接带来了在变分 Davidson 对角化阶段约 5 倍的内存占用降低和单步计算耗时缩减。
• 量子-经典 cSQD（分类器增强型样本基量子对角化）变体：相较于标准的 SQD 方法，cSQD 展现出了断崖式的收敛加速，仅需 3 次迭代即可将相对相关能误差降低至 1% 以下，而标准 SQD 在迭代 20 次后仍无法跨越这一精度门槛。

这一工作不仅证明了神经网络分类器能够有效捕捉 Slater 行列式占据数比特串中隐含的高维非局域物理关联，还提供了一个与具体方法无关（Method-agnostic）、极具普适性的波函数压缩与算法加速工具。本文将面向量子化学与机器学习交叉领域的科研人员，对该工作的理论基础、技术难点、方法学细节、Benchmark 数据以及代码复现路径进行全方位的深度技术解析。

1. 核心科学问题，理论基础，技术难点，方法细节

1.1 核心科学问题与指数墙难题

在非相对论量子力学框架下，多电子体系的无时间相关 Schrodinger 方程为：

其中，多体哈密顿量 $H$ 在二次量子化形式下表示为：

这里，$h_{pq}$ 和 $g_{pqrs}$ 分别代表一电子和二电子积分，$a^\dagger_p$ 与 $a_q$ 是产生和湮灭算符。对于包含 $N_e$ 个电子和 $N_o$ 个空间轨道的体系，FCI 的波函数可以严格展开为 Slater 行列式（或组态状态函数 CSF）的线性组合：

其中，每一个 Slater 行列式 $|D_i\rangle$ 在计算机中通常被编码为一个二进制占据数比特串（Occupation bitstring）：

满足约束 $\sum_{\sigma} \sum_{p} x_{p\sigma} = N_e$。由于希尔伯特空间的维度 $N_{\text{FCI}} = \binom{2N_o}{N_e}$ 随系统规模呈指数级增长，精确对角化巨大的哈密顿矩阵在物理上是不可能的。然而，物理学直觉告诉我们，基态波函数具有极高的稀疏性：只有极少数的“重要行列式”具有显著的振幅 $c_i$，而绝大多数行列式的系数趋于 0。选择配置相互作用（SCI）的目标正是动态寻找并构建这个极小的、物理上重要的子空间 $\mathcal{V} \subset \mathcal{H}$。

1.2 传统经典与量子筛选方法的理论基础与局限性

经典热浴配置相互作用（HCI）的局限性

在传统的热浴配置相互作用（Heat-bath Configuration Interaction, HCI）方法中，其选择步骤依赖于微扰重要性指标。若当前变分空间为 $\mathcal{V}_n$，其近似基态波函数为 $|\Psi^{(n)}\rangle = \sum_{i \in \mathcal{V}_n} c_i |D_i\rangle$。对于变分空间之外的任意单激发或双激发候选行列式 $|D_k\rangle \notin \mathcal{V}_n$，其与已知变分行列式 $|D_i\rangle \in \mathcal{V}_n$ 的相互作用由哈密顿矩阵元 $H_{ki} = \langle D_k | H | D_i \rangle$ 决定。HCI 引入了一级微扰重要性筛选准则：若存在至少一个 $|D_i\rangle \in \mathcal{V}_n$，满足：

则将 $|D_k\rangle$ 纳入候选空间。尽管该筛选策略避免了完整的微扰能量计算，但在面对强关联体系（如多中心过渡金属配合物或伸长化学键）时，波函数呈现多参考（Multi-reference）特征，一阶微扰假定不再成立。此时，为了避免遗漏重要行列式，必须将 $\epsilon_1$ 设得极小，这会导致候选池 $\mathcal{P}$ 的规模迅速膨胀，计算和存储 $H_{ki}$ 矩阵元将耗费海量的 CPU 时间与内存，产生严重的计算红利边际递减效应。

量子样本基量子对角化（SQD）的采样局限性

在量子计算领域，SQD 是一种极具前景的算法。它首先利用量子处理器（基于变分量子本征求解器 VQE 或其他制备方法）制备出一个近似基态波函数 $|\tilde{\Psi}\rangle$：

接着在计算基下对该量子态进行重复测量（Sampling），得到一系列物理对称性守恒的 Slater 行列式占据数比特串。通过收集这些高频采样的比特串，构建出一个经典变分空间 $\mathcal{S}$。最后，在经典计算机上投影并对角化哈密顿量：

然而，在 NISQ 设备上，由于门操作噪声和相干时间限制，制备出的 $|\tilde{\Psi}\rangle$ 往往偏离真实基态。更为致命的是，量子测量的本质是概率性的：量子采样会反复采样那些振幅极大的少数行列式（高重合率），而那些振幅虽小但对恢复微扰相关能至关重要的“长尾”行列式（如高阶激发）很难被有效采样到，这被称为量子采样瓶颈。频繁的物理测量不仅耗费宝贵的量子机时，而且由于噪声干扰，经常会采样到大量不守恒（自旋、电荷数错误）的无用比特串。

1.3 技术难点与痛点

将机器学习引入行列式筛选并非易事，此前的方法学探索常受阻于以下三个技术痛点：

1. 高维度与标签极度不平衡：在数以亿计的候选空间中，对能量有实质贡献的“正样本”往往只占万分之一甚至更低，这会导致传统的分类器严重过拟合于“负样本”（无用行列式）。
2. 回归预测的局限性：若试图训练神经网络直接预测连续的微扰能级或 CI 系数 $c_i$，由于波函数振幅的高频非线性震荡，神经网络很容易在回归预测中陷入均值过拟合，泛化能力极差。
3. 动态波函数的自适应难题：随着 CI 迭代的推进，波函数的结构在不断演化。在迭代早期，主导的是参考行列式；在迭代后期，大量微弱的动态关联行列式开始占主导。固定参数的静态模型无法适应这种动态物理图像的变化。

1.4 本文方案：基于主动学习的神经网络分类框架

为了克服上述难点，Zeni 等人将分类器设计为一个轻量级的神经网络，并创造性地构建了自适应主动学习循环（Active Learning Loop），具体方法细节如下：

+-------------------------------------------------------------+
|                      1. 产生候选池 P                        |
|           (由经典的 Heat-bath 筛选或量子采样恢复所得)       |
+-------------------------------------------------------------+
                               |
                               v
+-------------------------------------------------------------+
|         2. 随机采样获得子集 P_rand = f_s * P (f_s = 0.2)     |
+-------------------------------------------------------------+
                               |
                               v
+-------------------------------------------------------------+
|  3. 临时对角化: 构建临时变分空间 V_temp = V_old U P_rand    |
|        在 V_temp 上对角化哈密顿量，精确求解 CI 系数 c_i      |
+-------------------------------------------------------------+
                               |
                               v
+-------------------------------------------------------------+
|  4. 标签生成: 设定阈值将 P_rand 内行列式划分为平衡二分类标签 |
|               c_i 振幅高 -> 重要 (1)； 振幅低 -> 不重要 (0) |
+-------------------------------------------------------------+
                               |
                               v
+-------------------------------------------------------------+
|  5. 分类器训练: 从头训练轻量级 MLP, 以二进位比特串为输入     |
|        利用加权交叉熵损失 (Weighted Cross-Entropy) 训练模型 |
+-------------------------------------------------------------+
                               |
                               v
+-------------------------------------------------------------+
|  6. 分类推理: 用训练好的分类器评估剩余的大规模候选集 P_rest  |
|        计算其被预测为“重要”的概率值分数                      |
+-------------------------------------------------------------+
                               |
                               v
+-------------------------------------------------------------+
|  7. 变分空间更新: V_new = V_old U {P_rand重要项} U {P_rest前M项} |
+-------------------------------------------------------------+
                               |
            (进入下一轮迭代，直到能量收敛)
                               v

数学表达式与推导

• 公式（1）：临时训练空间的构建 在每一轮变分迭代中，算法不直接将整个候选池 $\mathcal{P}$ 加入变分空间，而是从中随机抽取固定比例 $f_s = 0.2$ 的行列式集合 $\mathcal{P}_{rand}$。将该随机子集与当前已有的变分空间 $\mathcal{V}_{old}$ 合并，构建一个临时的变分测试空间 $\mathcal{V}_{temp}$：

  $$\mathcal{V}_{temp} = \mathcal{V}_{old} \cup \mathcal{P}_{rand}$$

• 公式（2）：剩余候选空间的定义 除去用于训练和标记的随机子集，其余的候选行列式构成未标记池 $\mathcal{P}_{rest}$：

  $$\mathcal{P}_{rest} = \mathcal{P} \setminus \mathcal{P}_{rand}$$

• 公式（3）：变分空间的最终更新法则 在 $\mathcal{V}_{temp}$ 空间内进行单次经典 Davidson 对角化，得到 $\mathcal{P}_{rand}$ 中所有行列式精确对应的波函数系数 $c_i$。设定振幅阈值，将这些行列式标记为“重要”（1）或“不重要”（0）。 利用这一标定好的数据集在线训练神经网络分类器。训练完成后，对未标记池 $\mathcal{P}_{rest}$ 进行推理（Inference），预测其属于“重要”类的概率分布，并挑出概率值排名前 $M$ 的行列式。最终更新的变分空间 $\mathcal{V}_{new}$ 定义为：

  $$\mathcal{V}_{new} = \mathcal{V}_{old} \cup \{ D \in \mathcal{P}_{rand} : D \text{ 被标记为重要} \} \cup \{ D \in \mathcal{P}_{rest} : \text{排名前 } M \text{ 的高概率预测} \}$$

对于经典 cHCI，选择变分空间累积增长模式，设置 $M = |\mathcal{P}_{rand}|$，使每一轮的新增规模保持稳定；对于量子-经典 cSQD，则维持单批次（Single-batch）的总行列式规模恒定，通过设定 $M = |\mathcal{P}_{rand}| - N_{imp}$，从而在不增加变分维度和经典对角化开销的前提下，不断用高质量的预测行列式替代空间中的低效部分。

这种设计精妙地避免了“黑盒”机器学习不守恒或失控的风险：所有训练样本的标签均来源于基于物理哈密顿量的临时变分对角化，保证了物理真实性；而分类器的泛化预测则充当了“智能微扰计算器”，无需显式计算巨大的非对角哈密顿矩阵元 $H_{ki}$，大幅削减了浮点数运算总量。

2. 关键 benchmark 体系，计算所得数据，性能数据

为了严谨评估分类器辅助行列式选择框架的性能，论文选取了量子化学中公认的基准强关联体系——**氮分子（$N_2$）**进行详尽的数值测试。

2.1 测试体系参数设置

• 分子结构：处于平衡核间距的 $N_2$ 分子，键长设置为 $R = 2.1\ \text{Å}$。
• 基组（Basis Set）：采用标准关联一致双 zeta 基组 cc-pVDZ。
• 活性空间（Active Space）：设置含有 $N_o = 16$ 个活性空间轨道（共 32 个自旋轨道）以及 $N_e = 10$ 个活性电子。在此活性空间下，精确的完整配置相互作用限制在 CASCI（Complete Active Space Configuration Interaction）极限。

2.2 经典 cHCI 变体性能分析

通过对不同 HCI 筛选阈值 $\epsilon_1$（取值包括 $10^{-4}$、$5 \times 10^{-5}$ 和 $10^{-5}$）进行计算，cHCI 展现出了相较于传统经典 HCI 极强的波函数压缩能力。图 2 提供了详细的数据对比：

相关能恢复率 vs 变分空间维度

数据解读与物理分析

从图 2(a) 的能量演化曲线中可以看出，cHCI 的能量下降曲线呈现出独特的**台阶状（Stepped behavior）**演化特征。每一个垂直陡降阶梯都对应着一次神经网络分类器的推理和引入步骤：

• 在迭代的第一阶段，由于候选池规模较小（$|\mathcal{P}| < 20,000$），算法自动略过分类器，直接将整个候选池并入空间，能量缓慢平稳下降。
• 当空间维度增加，分类器开始介入：随机子集 $\mathcal{P}_{rand}$ 被用于训练神经网络，接着分类器在海量未标记的 $\mathcal{P}_{rest}$ 中挑出高概率的关联行列式，并在一瞬间并入变分空间。这立刻在图 2(a) 和 2(b) 中体现为几乎垂直的能量下坠（代表在没有显著增加空间维度的前提下，精准地捕获了大量对相关能有巨大贡献的单双激发态）。
• 最终结果表明，在所有研究的 $\epsilon_1$ 范围内，cHCI 在仅使用传统 HCI 约 20%（1/5）的行列式数量时，就恢复了 $>98\%$ 甚至 $>99\%$ 的全相关能（CASCI极限）。在经典的变分 Davidson 对角化算法中，计算复杂度和内存存储随着变分空间大小 $N_{\text{det}}$ 呈超线性缩放。将空间大小压缩 5 倍，意味着在内存开销和对角化 CPU 计算耗时上实现了将近 5 倍的直接加速。

2.3 量子-经典 cSQD 变体性能分析

量子版本的 cSQD 表现出了更为惊人的收敛加速度（见图 2(c) 及 2(d)）。

• 收敛迭代次数对比：
  • 标准 SQD 算法：由于在有噪量子采样中无法高效获取“长尾”高激发行列式，其相对相关能误差（Relative Error）随着迭代缓慢下降。如图 2(d) 所示，即使在完成 20 次迭代后，标准的 SQD 仍然无法将相对能误差降至 1% 的阈值以下。
  • 分类器增强型 cSQD：在第 1 次迭代时表现与 SQD 相当；但从第 2 次迭代开始，分类器通过学习已知波函数的非局域特征，主动从恢复空间中精确识别出对基态相关能最关键的隐藏行列式并完成空间替换。仅仅迭代 3 次，cSQD 的相对误差便迅速跌破 1% 这一化学精度分水岭，并在此后持续稳定保持在极低误差水平。

这种戏剧性的加速意味着，cSQD 能够大幅降低对量子硬件相干时间和总测量次数（Shots）的要求。它用极其廉价的经典外围神经网络分类器训练，换取了极其昂贵的量子采样和经典哈密顿对角化时间，完美契合了 NISQ 时代量子-经典协同设计的核心理念。

3. 代码实现细节，复现指南，所用的软件包及开源 repo link

3.1 核心算法实现流程与 Python 伪代码

为了使量子化学及机器学习研究人员能够无缝复现本项工作，以下提供了一个基于 PySCF 和 PyTorch 框架构建的主动学习选择配置相互作用（cHCI）的核心逻辑伪代码：

import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim
from pyscf import gto, scf
from pyscf.hci import naive_hci

# 1. 定义多层感知机 (MLP) 分类器
class DeterminantClassifier(nn.Module):
    def __init__(self, input_dim):
        super(DeterminantClassifier, self).__init__()
        self.network = nn.Sequential(
            nn.Linear(input_dim, 128),
            nn.ReLU(),
            nn.Dropout(0.1),
            nn.Linear(128, 128),
            nn.ReLU(),
            nn.Dropout(0.1),
            nn.Linear(128, 2)  # 输出为二分类：不重要/重要
        )
        
    def forward(self, x):
        return self.network(x)

# 2. 占据数比特串转换函数
def det_to_binary_tensor(det_list, n_orbitals):
    """
    将行列式占据状态转换为二进制 PyTorch Tensor
    """
    tensors = []
    for det in det_list:
        # 假设 det 是一个包含自旋占据信息的元组 (alpha_mask, beta_mask)
        # 将其展开为长度为 2 * n_orbitals 的二进制列表
        bitstring = []
        for spin in [det[0], det[1]]:
            bitstring.extend([1 if (spin & (1 << i)) else 0 for i in range(n_orbitals)])
        tensors.append(bitstring)
    return torch.tensor(tensors, dtype=torch.float32)

# 3. 核心主动学习迭代循环
def run_classifier_enhanced_hci(mol, n_active_orbs, eps_1, f_s=0.2):
    # 初始化一电子与二电子积分
    mf = scf.RHF(mol).run()
    h1 = mf.mo_coeff.T @ mf.get_hcore() @ mf.mo_coeff
    # 此处省略积分变换逻辑，可直接通过 PySCF 获取活性空间积分
    
    # 初始化变分空间 V_old, 仅包含 Hartree-Fock 行列式
    V_old = [ (1 << mol.nelectron//2, 1 << mol.nelectron//2) ] # 简化示意
    n_features = 2 * n_active_orbs
    
    converged = False
    step = 0
    
    while not converged:
        # Step A: 产生候选池 P (此处调用 PySCF naive_hci 中的单双激发生成函数)
        P = generate_candidate_excitations(V_old, eps_1)
        
        if len(P) < 20000:
            # 早期候选集较小，直接全部并入
            V_old = list(set(V_old + P))
            energy, c_coeff = diagonalize_hamiltonian(V_old, mf)
        else:
            # Step B: 随机抽取子集 P_rand
            np.random.shuffle(P)
            split_idx = int(f_s * len(P))
            P_rand = P[:split_idx]
            P_rest = P[split_idx:]
            
            # Step C: 临时变分空间对角化，获取“基准真相”标签
            V_temp = list(set(V_old + P_rand))
            energy_temp, c_temp = diagonalize_hamiltonian(V_temp, mf)
            
            # 依据振幅系数阈值进行标签制作 (目标是保持正负样本的相对均衡)
            threshold = determine_balanced_threshold(c_temp[len(V_old):])
            labels = []
            for c in c_temp[len(V_old):]:
                labels.append(1 if abs(c) > threshold else 0)
            
            # Step D: 在线训练神经网络分类器
            X_train = det_to_binary_tensor(P_rand, n_active_orbs)
            y_train = torch.tensor(labels, dtype=torch.long)
            
            classifier = DeterminantClassifier(input_dim=n_features)
            train_classifier(classifier, X_train, y_train, epochs=125)
            
            # Step E: 在未标记池 P_rest 上进行分类推理
            X_rest = det_to_binary_tensor(P_rest, n_active_orbs)
            classifier.eval()
            with torch.no_grad():
                outputs = classifier(X_rest)
                probabilities = torch.softmax(outputs, dim=1)[:, 1].numpy()
            
            # 挑选概率最高的前 M 项 (M = |P_rand|)
            M = len(P_rand)
            top_M_indices = np.argsort(probabilities)[-M:]
            P_selected_from_rest = [P_rest[idx] for idx in top_M_indices]
            
            # Step F: 构建 V_new，开展最终对角化
            P_important_rand = [P_rand[i] for i in range(len(P_rand)) if labels[i] == 1]
            V_old = list(set(V_old + P_important_rand + P_selected_from_rest))
            energy, c_coeff = diagonalize_hamiltonian(V_old, mf)
            
        step += 1
        print(f"Iteration {step}: Selected space dim = {len(V_old)}, Energy = {energy:.8f}")
        # 检查能量收敛准则
        if check_convergence(energy): 
            converged = True
            
    return energy

3.2 深度学习超参数设置表格

为了保证模型在不同 CI 迭代周期和不同筛选阈值下的鲁棒性，论文在 Appendix C 中详细列出了模型所采用的超参数配置。这些参数经过精心挑选，旨在实现快速收敛并防止小样本训练过拟合：

3.3 涉及的开源软件包及存储库链接

复现此工作需要结合以下核心开源工具包：

• PySCF (Python-based Simulations of Chemistry Framework)：用于执行 Hartree-Fock 计算、一/二电子积分变换以及 naive_hci 配置扩展。
  PySCF GitHub 存储库
• Qiskit-addon-sqd：IBM 发布的、用于在有噪或无噪量子模拟器上执行样本基量子对角化的标准工具包。cSQD 的开发基于该包中成熟的量子采样和配置恢复（Configuration Recovery）API。
  Qiskit Addon SQD 开源链接
• PyTorch：推荐采用最新的 PyTorch 环境以支持快速的 GPU 在线训练和推理。
  PyTorch 官方网站

4. 关键引用文献，以及你对这项工作局限性的评论

4.1 关键引用文献

本研究立足于以下数个奠基性或前沿性的工作之上：

1. 经典选定配置相互作用方法（SCI）的基石：
   • Huron-Malrieu-Pancurel 提出的 CIPSI 方法（J. Chem. Phys. 58, 5745 (1973) [文献2]）：首次确立了通过一阶/二阶微扰理论迭代寻找并扩增 CI 希尔伯特空间的经典范式。
   • Holmes-Tubman-Umrigar 提出的 HCI（热浴配置相互作用）方法（J. Chem. Theory Comput. 12, 3674 (2016) [文献4]）：引入了超高效的单/双激发热浴筛选准则，奠定了现代高性能经典选择 CI 算法的基础。
2. 样本基量子对角化（SQD）的提出：
   • Robledo-Moreno 等发表于 Science Advances 的工作（Sci. Adv. 11, eadu9991 (2025) [文献7]）：系统性阐述了如何利用量子处理器进行状态测量与采样，并在超级计算机上投影对角化哈密顿量以求解大规模分子强关联问题的混合计算架构。
3. 利用神经网络识别和筛选 Slater 行列式的前期探索：
   • Coe 提出的机器学习配置相互作用方法（J. Chem. Theory Comput. 14, 5739 (2018) [文献9]；J. Chem. Theory Comput. 15, 6179 (2019) [文献10]）：率先将机器学习引入分子位能曲线的计算和配置筛选，但受限于回归拟合和静态训练模式，难以无缝融入动态 CI 工作流。

4.2 局限性与方法学评论

尽管本工作展示了神经网络在变分空间压缩上的卓越能力，但作为一个处于前沿探索阶段的方法学框架，其在未来的工程化落地和大规模实际应用中，仍面临以下关键局限性：

1. 经典变分中的墙钟时间（Wall-clock Time）开销失衡

论文重点强调了 cHCI 带来了“变分空间压缩至 1/5”以及“哈密顿量对角化（Davidson 步）计算和内存开销下降 5 倍”的杰出性能。然而，在量子化学实际计算中，对角化步骤往往不是唯一的限速步，训练神经网络本身的计算开销不可忽略。 根据方法细节，每一轮 CI 迭代都需要从头（from scratch）训练一个包含两个 128 神经元隐藏层的 MLP 分类器长达 125 个 Epoch。在 $N_2$ 这种相对较小的测试体系中，对对角化步骤省下的 CPU 时间，可能会被训练神经网络在 CPU/GPU 之间的频繁数据传输及在线反向传播训练所带来的高额 Wall-clock 耗时所抵消。作者尚未在论文中给出总墙钟时间的直接对比，这在面对千万级候选行列式的更大体系时，训练瓶颈是否会反噬能量计算红利，仍是一个巨大的问号。

2. “临时对角化”在大活性空间下的可扩展性（Scaling）瓶颈

该算法生成标签的关键在于：对临时变分空间 $\mathcal{V}_{temp} = \mathcal{V}_{old} \cup \mathcal{P}_{rand}$ 执行一次经典对角化。当面对大活性空间体系（例如活性轨道数 $N_o > 40$ 的过渡金属双核催化剂）时：

• 变分空间 $\mathcal{V}_{old}$ 自身的规模就已达到数百万级别。
• 此时即使选取极其保守的随机比例 $f_s = 0.2$，产生的 $\mathcal{P}_{rand}$ 绝对数量也可能达到数十万甚至数百万。
• 此时对巨大的 $\mathcal{V}_{temp}$ 进行哪怕是“仅一次”的临时对角化，也会耗费令人难以承受的经典内存和计算资源。这使得该主动学习标签生成策略本身容易遭遇扩展性瓶颈。未来可能需要探索基于更加局部、低成本的局域哈密顿近似或微扰计算作为标签替代来源。

3. 缺乏真实量子噪声环境下的鲁棒性评估

在 cSQD 的基准测试中，论文作者坦言：为了隔离算法层面的固有行为、避免物理噪声的干扰，“所有的量子 bitstring 采样都是通过在经典计算机上从均匀分布中直接抽样来模拟的”。 然而，真实的 NISQ 超导或离子阱量子芯片具有极为复杂的物理噪声（包括相干消相干、单/双比特退相干、电荷涨落以及严重的读取误差 Readout Error）。在真实噪声环境下，采样出的比特串所包含的自旋、电荷物理对称性破缺会呈指数级上升。分类器在面对混杂着高比例噪声比特的数据集时，是否能依然保持 0.93 以上的 PR-AUC 精度？亦或是会被噪声误导，挑出物理上完全不合规的假相关行列式？这亟需在真实量子芯片上进行真实硬件的交叉验证。

5. 其他必要的技术补充

5.1 神经网络架构深度比较：为什么 MLP 脱颖而出？

在研究的 Appendix D 和图 3 中，作者对三种主流的神经网络架构（1D CNN、两层 MLP 以及基于注意力机制的 Transformer）在 Slater 行列式分类任务上的表现进行了严谨的横向对比。这一对比结果具有极高的物理和信息学启示意义。

三种架构性能特征对比（图 3 数据归纳）：

深度物理因果分析

1. 一维卷积神经网络（1D CNN）的物理失效原因： 一维 CNN 的核心假设是**平移不变性（Translational Invariance）**和局部特征相关性。然而，Slater 行列式占据数比特串的物理本质并非如此：其每一位比特代表一个具体的自旋轨道（对应特定的对称性表征、自旋取向和空间能量级）。 若我们将比特串整体平移（例如将所有轨道占据向右移动一位），在物理上这不再代表相同的量子状态，而是彻底变成了完全不同的高阶激发态甚至物理非法的状态。一维 CNN 试图强行在没有平移不变性的轨道序列上寻找局部的“空间卷积特征”，不仅导致分类精度低下，还带来了极高的随机运行方差。

2. Transformer 的过拟合与数据饥渴症： Transformer 虽然拥有强大的自注意力机制，能够捕捉长程轨道关联，但其参数量巨大。在主动学习的单轮迭代中，训练数据集 $\mathcal{P}_{rand}$ 往往仅有数千或数万个样本。在如此有限的数据规模下，缺乏良好归纳偏置（Inductive Bias）的 Transformer 极其容易发生过拟合（Overfitting）。这也体现在其较低且波动的 PR-AUC 指标上。

3. MLP 的最简即最美（Occam’s Razor）： 两层 MLP 的全连接属性，使其能够无偏地、直接学习任意两个自旋轨道之间的高阶强关联（例如多电子相关中的单双激发关联对）。同时，较低的参数量使其在极小的训练样本上就能极快收敛，展现出了极高的稳定度（PR-AUC 方差仅为 $\pm 0.002$）。这表明对于这类特殊的比特串分类任务，传统的简单网络结构往往具备最优的物理适配性。

5.2 未来展望与数据驱动波函数表示的终极图景

本项研究标志着机器学习辅助量子化学计算正在迈入一个更深维度的“共生”阶段。未来的探索和潜在的研究热点将集中在以下几个方向：

• 动态迁移学习（Transfer Learning）的引入： 目前的框架中，分类器在每一轮迭代都需要“从头训练”（Train from scratch）。未来可以通过引入迁移学习或在线连续学习技术，将前一轮迭代训练好的模型权重作为下一轮的初始化输入，从而极大地缩减每一轮的收敛 Epoch 数，彻底攻克 Wall-clock 时间瓶颈。
• 超越二分类：基于图神经网络（GNN）和多分类的多组态扩展： Slater 行列式可以天然地被表征为分子轨道图上的顶点。引入图神经网络不仅可以自动嵌入分子点群对称性，还能够同时识别分子轨道中的“活性空间划分”及“激发阶数多分类”，实现对激发态多参考特征的精细预测。
• 与经典微扰理论的无缝耦合： 将该分类器与经典的二阶微扰（PT2）能量修正算法（如 HCI-PT2, CIPSI-PT2）相结合。分类器用于构建最核心的、压缩的主变分空间，而微扰步则负责对未标记池中分类概率低但不可或缺的“浩瀚长尾”进行大范围的微扰能级弥补，在实现超高波函数压缩比的同时，达成真正的 $1\ \text{kcal/mol}$ 绝对化学精度限制。

通过不断打破物理直觉启发式算法和机器学习纯数据驱动之间的壁垒，我们正走在一条发展出更紧凑、更鲁棒的量子-经典混合多参考计算方法集的正确道路上。