来源论文: https://arxiv.org/abs/2606.05850v1 生成时间: Jun 07, 2026 00:58

执行摘要

在现代凝聚态物理和量子化学中，实时电子动力学（Real-time Electron Dynamics）是理解超快光谱、多光子电离、电荷迁移以及非平衡态物理现象的核心。然而，由于电子间强烈的库仑关联以及外加强场诱导的非线性响应，高精度且长期稳定的实时动力学模拟一直是一个极具挑战性的科学难题。传统的时域密度泛函理论（TDDFT）由于近似交换关联泛函和 adiabatic 近似的局限性，在处理强驱动电荷转移、双激发以及电离流失时经常失效；而时域全构型相互作用（RT-FCI）和耦合集群（RT-TDCC）等高精度波函数方法，其计算复杂度随着体系尺寸和基组规模呈指数或高阶多项式级增长，难以应用于实际复杂体系。

近年来，基于神经网络的变分蒙特卡洛（NN-VMC）方法在分子和材料的基态及低激发态静态计算中展现出了超越传统方法的非凡精度。然而，将 NN-VMC 直接推广到实时间演化（tVMC）却面临着极其严重的数值不稳定性瓶颈。在外加强电场作用下，神经网络全参数空间中的时空传播极易由于随机采样噪声、量子几何张量（QGT）的病态奇异性以及非线性层复数参数发散，在极短的演化时间内发生轨迹崩溃。

针对这一痛点，来自 ByteDance Seed 和北京大学的合作研究团队在最新论文《Towards stable and accurate electron dynamics via neural network based time-dependent variational Monte Carlo》中，提出了一种突破性的框架——神经网络基底时变变分蒙特卡洛（Neural Basis Time-Dependent Variational Monte Carlo, NB-tVMC）。该框架的核心思想是：“两阶段演化策略”。在第一阶段（训练阶段），利用多态变分蒙特卡洛（NES-VMC）联合优化神经网络，使其非线性隐藏层输出能够自适应地构建出能够同时描述基态和低共振激发态的多体“定制化”流形——即神经网络基底（Neural Basis）；在第二阶段（动力学演化阶段），彻底冻结所有非线性层参数（即固定多体基底的空间结构），仅将动力学演化投影到由这些基底张成的紧凑线性子空间中，通过实时传播最后一层线性组合系数来驱动波函数演化。通过这种巧妙的约束，NB-tVMC 不仅继承了深度神经网络波函数无与伦比的强关联描述能力，而且通过将非线性优化退化为局域流形上的线性流演化，彻底规避了全参数时变演化的不稳定性，在氢原子、拉伸氢分子、氦原子和铍原子的强场驱动动力学模拟中，均取得了基准级的精度与无与伦比的长期演化稳定性。

1. 核心科学问题，理论基础，技术难点与方法细节

1.1 核心科学问题与传统方法瓶颈

实时电子动力学旨在求解含时薛定谔方程（Time-Dependent Schrödinger Equation, TDSE）：

$$i \frac{\partial}{\partial t} |\Psi(t)\rangle = \hat{H}(t) |\Psi(t)\rangle$$

其中含时哈密顿量在偶极近似下通常写作：

$$\hat{H}(t) = \hat{H}_0 - \hat{\mu} \cdot \mathbf{E}(t)$$

$\hat{H}_0$ 是无场多体静止哈密顿量，$\hat{\mu}$ 是多体偶极矩算符，$\mathbf{E}(t)$ 是外加随时间变化的光电场。模拟这一过程的关键难点在于：

多体关联效应（Many-Body Correlation）：电子之间的库仑排斥导致电子波函数高度纠缠，单粒子近似（如时域 Hartree-Fock）或常规不随时间变化的密度泛函方法无法精确捕捉电子间的瞬时协同运动。
空间非定域性与连续态（Delocalization & Continuum States）：在强激光脉冲下，电子会被激发到里德堡态（Rydberg states）乃至电离到连续区，这要求波函数基组具有极强的空间表达能力。传统的自洽高斯基组（GTO）在描述这种长程扩散波包时显得力不从心，必须引入海量的弥散函数（Diffuse functions），这会导致严重的基组重叠误差（BSSE）和计算量爆炸。

1.2 神经网络波函数与含时变分蒙特卡洛（tVMC）的理论冲突

基于 FermiNet 等架构的神经网络波函数通过如下多行列式形式参数化多体状态：

$$\Psi(\mathbf{r}; \boldsymbol{\theta}) = \sum_{k=1}^{N_{\text{det}}} c_k \det[\phi_{ij}^{k\uparrow}(\mathbf{r}^{\uparrow}; \boldsymbol{\theta})] \det[\phi_{ij}^{k\downarrow}(\mathbf{r}^{\downarrow}; \boldsymbol{\theta})]$$

其中 $\phi_{ij}^{k\alpha}$ 是通过深度多层感知机（MLP）和注意力机制生成的神经网络轨道。这类波函数在表达基态能量时已达到化学精度。然而，当我们试图利用含时变分原理来演化参数 $\boldsymbol{\theta}(t)$ 时，就会遭遇数值灾难。

利用 Dirac-Frenkel 变分原理（DFP），可以将 TDSE 投影到波函数的切空间（Tangent Space）上，导出关于参数变化率 $\dot{\boldsymbol{\theta}}$ 的线性方程组（即时变变分蒙特卡洛，tVMC）：

$$\sum_j S_{ij} \dot{\theta}_j = -i F_i$$

其中，$\mathbf{S}$ 是量子几何张量（Quantum Geometric Tensor, QGT，在实空间中也常被称为 Fubini-Study 度规张量），$\mathbf{F}$ 是含时力向量（Force Vector）：

$$S_{ij} = \langle O_i^* O_j \rangle - \langle O_i^* \rangle \langle O_j \rangle$$$$F_i = \langle O_i^* E_{\text{L}} \rangle - \langle O_i^* \rangle \langle E_{\text{L}} \rangle$$

这里 $O_i(\mathbf{x}) = \frac{\partial}{\partial \theta_i} \ln \Psi(\mathbf{x}; \boldsymbol{\theta})$ 是对数导数（Score function），$E_{\text{L}}(\mathbf{x}) = \frac{\hat{H}\Psi(\mathbf{x})}{\Psi(\mathbf{x})}$ 是局域能量。然而，在实际运行中，全参数时变演化（Full-Parameter tVMC）在非线性深层网络下几乎必然崩溃。其技术难点在于：

QGT 的病态与零特征值（Ill-conditioned QGT）：深度神经网络具有极度参数冗余性。这导致 $\mathbf{S}$ 矩阵存在大量接近于零的特征值。当使用蒙特卡洛随机采样估算 $\mathbf{S}$ 时，采样噪声会被病态矩阵的逆（或伪逆）无限放大，导致计算出的参数导数 $\dot{\boldsymbol{\theta}}$ 产生巨大的随机跳跃。
复数空间的不稳定性（Complex-Plane Instability）：由于实时间演化需要波函数包含复数相位，波函数参数 $\boldsymbol{\theta}$ 必须拓展到复数域。然而，FermiNet 中广泛使用的非线性激活函数（如 $\tanh$）在复平面上并不是全局有界的，而是存在孤立极点。一旦非线性参数在随机漫步中接近这些极点，激活值和导数就会瞬间发散。
辛结构破缺与能量漂移（Symplectic Structure Breaking）：常用的 McLachlan 变分原理（MP）并不保证在实时间演化中严格守恒哈密顿系统的辛几何结构。在存在随机采样的非线性流形上，能量会发生严重的、不可逆的向上漂移（如本文附录图2所示）。

1.3 NB-tVMC 框架的创见与数学细节

为了彻底解决上述不稳定性，研究团队提出了 NB-tVMC（Neural Basis tVMC） 框架。其核心思想是将高维度的非线性流形动力学约束到一个由训练好的**多体神经网络基底（Neural Basis）**张成的固定线性子空间上。下面我们对该方法的两阶段进行详尽的公式剖析。

阶段一：多态联合预训练构建“定制化多体流形”

为了使固定的线性子空间能够精确包容动力学过程中的各种物理态（如瞬时激发态、电离态的前驱体），必须在初始时刻构造出极其优秀的基底。研究团队采用 NES-VMC（Natural Excited States VMC） 方案进行多态协同训练。对于目标体系，联合优化一个共享非线性层（前 $L-1$ 层）的深度网络，其最终输出作为多体基底：

$$\chi_{\mu j}^{\alpha}(\mathbf{r}_j^\alpha; \{\mathbf{r}_{\neq j}^\alpha\}; \{\mathbf{r}^{\bar{\alpha}}\}) = h_{\mu}^{L\alpha}$$

其中 $h^{L\alpha}$ 是网络的最后一个隐藏层的激活值（即最后一层特征映射）。这些基底函数 $\chi$ 与传统的固定单粒子轨道（如 Hartree-Fock 轨道或 Kohn-Sham 轨道）有着本质不同：它们由于经历了前层深层神经网络的非线性特征混合，天生就显式地依赖于全电子流形的瞬时空间关联特征，且已内嵌了强大的多体关联和电子 cusp 条件。

此时，网络最终构建出的第 $k$ 个决定行列式块中的分子轨道定义为这些定制多体基底的线性组合：

$$\phi_{ij}^{k\alpha} = \sum_{\mu} \tilde{\theta}_{i\mu}^{k\alpha} \chi_{\mu j}^{\alpha}$$

在预训练阶段，研究团队通过最小化前 $M$ 个低能本征态的变分能量，使共享的神经网络基底 $\chi$ 充分吸收并锁定体系低能物理谱的关键关联空间特征。

阶段二：冻结非线性层，进行局域线性时变演化

在动力学演化阶段（$t > 0$），将前 $L-1$ 层的非线性网络参数全部锁定（Frozen）。这意味着多体神经网络基底 $\chi$ 随之完全固定。整个波函数的含时演化完全由最后一层的线性组合系数矩阵 $\tilde{\boldsymbol{\theta}}(t)$ 的复数演化来承载：

$$\tilde{\theta}_{i\mu}^{k\alpha}(t) = \text{Re}[\tilde{\theta}_{i\mu}^{k\alpha}(t)] + i \text{Im}[\tilde{\theta}_{i\mu}^{k\alpha}(t)]$$

我们现在证明，为什么这种约束在数学上等价于在一个高度紧凑的、最优的多体线性子空间中演化。根据柯西-比内（Cauchy-Binet）公式，对于每个自旋通道，行列式的值可以展开为：

$$\det(\boldsymbol{\Phi}^{\alpha}(t)) = \det(\tilde{\boldsymbol{\theta}}^{\alpha}(t) \mathbf{X}^{\alpha}) = \sum_{\substack{I \subset \{1, \dots, M\} \\ |I| = N_{\alpha}}} \det(\tilde{\boldsymbol{\theta}}^{\alpha}_{\cdot, I}(t)) \det(\mathbf{X}^{\alpha}_{I, \cdot})$$

其中 $\mathbf{X}^{\alpha}$ 是由神经网络多体基底 $\chi_{\mu j}$ 构成的特征矩阵，$\mathbf{X}^{\alpha}_{I, \cdot}$ 是由索引集 $I$ 选取的行子矩阵。将自旋向上和自旋向下的行列式乘积相乘，并对所有行列式块 $k$ 进行求和，总波函数可以精确地表达为一组固定多体基底行列式的线性组合：

$$\Psi(\mathbf{r}; t) = \sum_{k=1}^{N_{\text{det}}} \sum_{I, J} C_{IJ}^k(t) \det(\mathbf{X}^{k\uparrow}_{I, \cdot}(\mathbf{r}^{\uparrow})) \det(\mathbf{X}^{k\downarrow}_{J, \cdot}(\mathbf{r}^{\downarrow}))$$

其中，随时间演化的系数 $C_{IJ}^k(t) = \det(\tilde{\boldsymbol{\theta}}^{k\uparrow}_{\cdot, I}(t)) \det(\tilde{\boldsymbol{\theta}}^{k\downarrow}_{\cdot, J}(t))$ 完全由 $\tilde{\boldsymbol{\theta}}(t)$ 决定。通过冻结 $\mathbf{X}$，我们成功地把一个极易发生不稳定性发散的、高非线性的神经网络全空间时变传播问题，退化为在一个由超级多体关联基底行列式 $\{\det(\mathbf{X}_I)\det(\mathbf{X}_J)\}$ 张成的固定高维线性希尔伯特子空间上的实时演化问题。

由于仅演化最后一层线性参数 $\tilde{\boldsymbol{\theta}}(t)$：

所有的对数导数 $O_i = \frac{\partial}{\partial \tilde{\theta}_i} \ln \Psi$ 随参数的变化极为温和，保证了量子几何张量 $\mathbf{S}$ 的特征值结构极其稳定，彻底避免了病态发散。
激活函数完全运行在实数域的锁定部分，消除了复数极点导致的参数爆裂。
在此流形上，Dirac-Frenkel 变分原理（DFP）与 McLachlan 变分原理（MP）在数学上完全等价，极大地保证了实时间传播的辛几何结构守恒和能量长期守恒性（见下文附录图2的数值实证）。

2. 关键 Benchmark 体系、计算数据与性能分析

为了全面验证 NB-tVMC 框架的精确度与稳定性，研究团队针对具有代表性的四个体系进行了强场动力学和动态响应性质计算。下面我们给出最核心的数据与物理深度剖析。

2.1 强激光驱动下的氢原子演化

物理背景：一维或三维氢原子在强外场下的演化是检验超快理论的“试金石”。强激光会诱导电子跃迁至高阶里德堡态并伴随电离，需要理论方法能同时描述束缚态和散射连续态。外加电场采用正弦平方包络脉冲（含时形式参见下文第5节公式17）。

计算结果分析：

计算方法	均方根误差 (RMSE, a.u.)	物理描述特征
Sturmian Basis Set (Exact Benchmark)	0.00 (以其为标准基准)	完备格点/特殊解析基底，完美描述连续区
NB-tVMC (本工作, 多态训练)	0.82 $\times 10^{-3}$	完美贴合基准，峰值及相位无漂移
NB-tVMC (本工作, 仅基态训练)*	1.10 $\times 10^{-3}$	表现优异，略微低估极值区
FCI (aug-cc-pVQZ)	1.25 $\times 10^{-3}$	引入弥散基组后精度大幅提升，但尾部仍有偏离
FCI (cc-pVQZ)	> 10.0 $\times 10^{-3}$ (严重失真)	缺乏弥散函数，完全无法描述高阶里德堡态空间扩散
Bound States Limit	严重偏离	截断了所有的电离与高能散射成分

深度物理解析：如图2所示，NB-tVMC 的偶极矩时变曲线与作为严格基准的 Sturmian 基底结果达到了令人惊叹的重合。相比之下，传统的 FCI 在不加弥散基（cc-pVQZ）时完全失效，哪怕加了极其沉重的弥散基（aug-cc-pVQZ）也依然在 $t > 150$ a.u. 的大振幅区域偏离基准。这说明：NB-tVMC 即使仅在空间局域进行多态训练，其最终锁定的神经网络基底 $\chi$ 内部依然蕴含了极强的非定域柔性，能够通过最后一层线性系数的自适应调整，优雅地重构出电子向外层空间扩散（散射成分）的动力学行为。

2.2 双倍拉伸氢分子（Stretched $H_2$）在强场下的动力学行为与波包解域化

物理背景：将 $\text{H}_2$ 分子拉伸至其平衡键长的两倍（$R = 2R_{\text{eq}}$）。这是一个经典的强关联电离模型，电子不仅具有极强的静态关联（多构型特征），还极易在外场驱动下发生空间解域化（Delocalization）产生自由衰减波包。

计算与收敛性分析：

偶极动力学轨迹对比：研究团队将 NB-tVMC 的计算结果与之前的神经网络含时演化方法 S+C+BF (Nys et al. [41]) 和 FASTNet (Hou et al. [42]) 进行横向对比。如图 3a 所示：
- S+C+BF 和 FASTNet 在外场脉冲驱动下，严重低估了偶极矩的峰值高度，最大偏差达到 30% 以上。这归因于全参数时变在优化过程中的受阻和不稳定性导致的演化“钝化”。
- NB-tVMC 的轨迹则与高精度时域全构型相互作用（RT-FCI/aug-cc-pVTZ）以及格点 TDDFT 完全吻合。
电子密度解域化可视化：图 3c 给出了 $t = 67$ a.u. 时，不同方法计算出的 $y-z$ 平面（$x=0$）上的归一化电子密度等高线图：
- FCI (cc-pVTZ)：电子密度高度局域在两个质子原子核周围，完全丢失了被外场拉扯出去的解域化电子云。
- FCI (aug-cc-pVTZ)：表现有所改善，但在外围低密度区（$10^{-6}$ 等高线）空间延展依然不够连续。
- TDDFT (grid-based)：作为最本质的实空间格点方法，能够清晰展现弥散在核外的电子波包。
- NB-tVMC (本工作)：在没有任何外加弥散高斯函数辅助的情况下，极为逼真、连续地复现了格点 TDDFT 展现的核外宽弥散解域化电子云。 相比之下，仅基态训练的 NB-tVMC* 在大尺度空间延展上稍显逊色，充分证明了 NES-VMC 多态联合训练对于捕获电离/大尺度解域化态空间特征的决定性作用。

3.3 惰性气体原子（He）和碱土金属（Be）的动态极化率 $\alpha(\omega)$

物理背景：动态极化率 $\alpha(\omega)$ 描述了体系电子云对特定频率外加弱单色光电场的响应硬度：

$$\mu_z(t) = \mu_z(0) + \alpha(\omega) E_{\text{max}} \sin(\omega t) + \mathcal{O}(E_{\text{max}}^2)$$

这是对体系多体谱和振子强度（Oscillator strength）的极其严格的全局检验。

数据拟合与物理结果：研究团队使用 NB-tVMC 对 He 和 Be 在多个频率 $\omega$ 下演化出稳态偶极响应轨迹，并进行了超高精度的傅里叶/时域正弦拟合（拟合决定系数 $r^2 \ge 0.999$）。其提取的动态极化率数据与基于高精度微扰理论（Perturbation Theory [52, 53]）的参考曲线进行了比对：

氦原子 (He, $\omega = 0.1 \sim 0.3$ a.u.)：
- $\omega = 0.1$ a.u. 时，NB-tVMC 提取的 $\alpha = 1.4007$ a.u.（$r^2 = 0.9999$），微扰论参考值为 $1.40$ a.u. 左右。
- 随着频率逼近激发阈值，极化率表现出完美的色散上扬，NB-tVMC 在各个点均与微扰参考线高度重合（见图 4b 左子图）。
铍原子 (Be, $\omega = 0.05 \sim 0.07$ a.u.)：
- 铍原子作为四电子体系，由于其价电子高度重叠且存在极其显著的静态和动态关联，传统方法极难算准。在本工作中，NB-tVMC 在 $\omega = 0.05$ a.u. 下给出了 $\alpha = 40.27$ a.u.（$r^2 = 0.9989$），与微扰理论完美相契合（见图 4b 右子图），彰显了其描述重电子关联体系动态响应的惊人威力。

3. 代码实现细节、复现指南与开源生态

由于研究团队的核心框架融合了深度学习库与量子化学采样，其底层采用了基于 JAX 的高性能计算框架。为了使量子化学研究人员能够顺利复现和使用该方法，我们在本节中彻底拆解其算法流程与实现细节。

3.1 核心网络架构与演化参数配置

根据论文的 Supplementary Table 1，其计算的核心超参数架构和演化配置如下，我们在复现时应严格遵循此基准配置：

模块分类	参数名称 (Parameter)	推荐复现默认值 (Value)	技术备注
Network Architecture	Determinants ($N_{\text{det}}$)	5	总波函数包含的自旋解离行列式块总数
	Network layers	4	深度 MLP 变换层数
	One-electron stream width	64	单体流特征通道数
	Two-electron stream width	16	双体关联流特征通道数（用于显式捕捉 cusp 关联）
MCMC Sampling	Steps	30	每次迭代中马尔可夫链蒙特卡洛采样的热化和采样总步数
Stage 1 (Training)	Batch size	20480	基基态/激发态联合预训练时的采样批大小
	Iterations	50000	预训练总步数
	Number of states ($M$)	5	共同参与联合优化的物理状态个数
	Spin penalty strength	1.0 a.u.	迫使波函数收敛到目标总自旋投影空间的惩罚算符权重
Stage 2 (Evolving)	Batch size	81920 (He/Be/H) / 327680 ($\text{H}_2$)	动力学演化时的采样批大小，必须大幅增加以压制采样噪声对 QGT 伪逆求解的影响
	Time step ($\Delta t$)	0.001 a.u.	实时间积分步长

3.2 局域线性演化算法的核心复现步骤（含伪代码）

复现该方法的核心逻辑在于编写计算固定非线性层下的量子几何张量（QGT）并用伪逆求解线性方程组。我们给出底层的数学计算和算法伪代码描述：

算法：NB-tVMC 步进传播器

输入：当前时刻 $t_n$ 的线性参数 $\tilde{\boldsymbol{\theta}}^{(n)}$，冻结的非线性网络参数 $\boldsymbol{\theta}_{\text{frozen}}$，时间步长 $\Delta t$，外加电场 $\mathbf{E}(t_n)$。

蒙特卡洛采样波函数：使用当前波函数 $\Psi(\mathbf{r}; \tilde{\boldsymbol{\theta}}^{(n)}, \boldsymbol{\theta}_{\text{frozen}})$ 进行 MCMC 采样，获得一组电子坐标样本 $\{\mathbf{r}_s\}_{s=1}^{N_{\text{batch}}}$。
计算样本特征：对于每个样本 $\mathbf{r}_s$，前向传播计算：
- 局域能量：$E_{\text{L}}(\mathbf{r}_s) = \frac{\hat{H}(t_n)\Psi(\mathbf{r}_s)}{\Psi(\mathbf{r}_s)}$
- 仅针对最后一层线性参数 $\tilde{\boldsymbol{\theta}}$ 的复数对数导数： $$O_i(\mathbf{r}_s) = \frac{\partial}{\partial \tilde{\theta}_i} \ln \Psi(\mathbf{r}_s; \tilde{\boldsymbol{\theta}}^{(n)}, \boldsymbol{\theta}_{\text{frozen}})$$
组装随机估计的 QGT $\mathbf{S}$ 和力向量 $\mathbf{F}$：
$$S_{ij} = \frac{1}{N_{\text{batch}}} \sum_s O_i^*(\mathbf{r}_s) O_j(\mathbf{r}_s) - \left( \frac{1}{N_{\text{batch}}} \sum_s O_i^*(\mathbf{r}_s) \right) \left( \frac{1}{N_{\text{batch}}} \sum_s O_j(\mathbf{r}_s) \right)$$
$$F_i = \frac{1}{N_{\text{batch}}} \sum_s O_i^*(\mathbf{r}_s) E_{\text{L}}(\mathbf{r}_s) - \left( \frac{1}{N_{\text{batch}}} \sum_s O_i^*(\mathbf{r}_s) \right) \left( \frac{1}{N_{\text{batch}}} \sum_s E_{\text{L}}(\mathbf{r}_s) \right)$$
奇异值分解（SVD）正则化求解含时导数：由于 $\mathbf{S}$ 极度病态，切忌直接使用 Cholesky 分解（如附录图 1 数值实证所示，Cholesky 会导致灾难性不稳定性），必须使用 Moore-Penrose 伪逆：
- 对 $\mathbf{S}$ 进行 SVD：$\mathbf{S} = \mathbf{U} \boldsymbol{\Sigma} \mathbf{V}^{\dagger}$。
- 设定截断阈值 $\epsilon \approx 10^{-4} \sim 10^{-5}$，对于对角线上小于 $\epsilon \cdot \max(\Sigma)$ 的奇异值，将其逆设为 0，得到正则化逆对角阵 $\boldsymbol{\Sigma}^+$。
- 求解导数： $$\dot{\tilde{\boldsymbol{\theta}}}^{(n)} = -i \mathbf{V} \boldsymbol{\Sigma}^+ \mathbf{U}^{\dagger} \mathbf{F}$$
第二阶 Heun（预测-校正）步进积分：
- 预测步（Predictor）： $$\tilde{\boldsymbol{\theta}}^{(p)} = \tilde{\boldsymbol{\theta}}^{(n)} + \Delta t \cdot \dot{\tilde{\boldsymbol{\theta}}}^{(n)}$$
- 校正步（Corrector）：在预测参数 $\tilde{\boldsymbol{\theta}}^{(p)}$ 处重新采样并计算对应的含时导数 $\dot{\tilde{\boldsymbol{\theta}}}^{(p)}$，最后合并更新： $$\tilde{\boldsymbol{\theta}}^{(n+1)} = \tilde{\boldsymbol{\theta}}^{(n)} + \frac{\Delta t}{2} \left( \dot{\tilde{\boldsymbol{\theta}}}^{(n)} + \dot{\tilde{\boldsymbol{\theta}}}^{(p)} \right)$$

3.3 推荐的开源工具与库连接

要快速搭建 NB-tVMC 的复现环境，我们强烈推荐集成利用以下成熟的开源生态组件：

DeepMind FermiNet:
- Repo Link: https://github.com/google-deepmind/ferminet
- 说明: 业界标准的 JAX 深度神经网络变分蒙特卡洛框架。可在其底层的多行列式和 MLP 轨道生成代码基础上，抽取其最后一层特征权重进行冻结与定制开发。
PySCF (Python-based Simulations of Chemistry Framework):
- Repo Link: https://github.com/pyscf/pyscf
- 说明: 本文中所有的 FCI、高斯基组初始化和一票静态量子化学参考数据生成均基于此工具包。其极其适合用来生成含时 FCI 演化的初始矩阵元。
Octopus Code:
- Repo Link: https://octopus-code.org/
- 说明: 论文中高精度实空间 RT-TDDFT 基准曲线生成所用的开源格点时域密度泛函软件包。

4. 关键文献引用与局限性批判

4.1 关键参考文献回顾

本工作建立在近年来多体神经网络波函数与时变变分理论的数个里程碑之上：

FermiNet (Pfau et al. [21])：首次提出了完全基于实空间深度电子坐标变换的多体反对称波函数架构，彻底消除了传统量子化学对单粒子轨道基组的强依赖。
NES-VMC (Pfau et al. [44], Science 2024)：提出了通过状态间正交性惩罚（或非对称投影）同时求解高精度激发态本征波函数的方案，为 NB-tVMC 第一阶段的神经网络基底提取奠定了多态训练基础。
Nys et al. [41] (Nature Comm. 2024)：尝试将时变变分蒙特卡洛（tVMC）直接与基于 Slater-Jastrow-backflow 的浅层神经网络进行结合，首次在实分子上运行，但由于在深层高表达力网络中的全参数不稳定性，其演化精度和范围十分受限。
FASTNet (Hou et al. [42])：提出过时空全局路径优化的实时演化方案，试图绕过时变微分方程步进的局部不稳定性，但在强电场下其精度仍显不足。

4.2 本工作局限性之深度批判

尽管 NB-tVMC 在稳定性和精度上取得了令人瞩目的飞跃，但作为一个开创性的框架，量子化学研究者在将其推向更宽广的应用场景时，必须清醒地认识到其底层的理论和计算局限性：

1. 神经网络基底的“冷冻瓶颈（Frozen-Basis Bottleneck）”

NB-tVMC 稳定性的源泉在于冻结了非线性网络基底 $\chi$。然而，这意味着在动力学演化中，波函数无法调整其内在的非线性多体多极矩或瞬时关联结构来应对“极端极化”或“深度电离”。如果体系在外场作用下发生极大规模的电子重组、共价键断裂或生成，或者产生了极其远离初始预训练能谱的高激发态，固定的神经网络基底将会由于“基组不完备”导致描述失效。虽然多态训练缓解了这一问题，但对于极其复杂的非线性非平衡过程，静态预训练基底的表达力天花板依然存在。

2. 恐怖的采样计算复杂度（Severe Computational Scaling）

由于没有解析的重叠积分和哈密顿矩阵元，NB-tVMC 的每一次时间步进都极度依赖高密度的三维蒙特卡洛采样。为了压制采样噪声对 QGT 正则化求逆的扰动，在拉伸氢分子中，演化阶段的 Batch Size 被设置为了极其惊人的 327,680。这需要极大规模的 GPU 集群和极长的计算壁垒时间（Wall-clock time）。这使得将该方法向十电子以上的大分子或更长的时间尺度（如飞秒级、皮秒级非辐射跃迁）推广时，面临严峻算力赤字阻碍。

3. SVD 截断阈值的经验性（Heuristic Nature of SVD Cutoff）

量子几何张量 $\mathbf{S}$ 的求逆严重依赖于人工设定的截断参数 $\epsilon$。在动力学演化的不同阶段，$\mathbf{S}$ 的本征值谱会剧烈波动。若 $\epsilon$ 设得过大，会丢失重要的动力学分量，导致波函数无法完全对电场做出响应；若设得过小，则会引入大量的采样噪点，引起数值震荡。目前缺乏一套自适应地、严谨地确定此截止阈值的物理判据。

4. 纯电子动力学近似（Born-Oppenheimer approximation limit）

当前模型将原子核完全锁定在固定位置，即仅考虑纯电子的实时动力学。然而，在超快激光驱动下，强烈的非阿迪雅动理学（Non-adiabatic dynamics，如圆锥交叉点附近的非辐射跃迁）通常伴随着电子运动与核运动的深度耦合。如何在 NB-tVMC 框架下引入量子核的自适应协变演化，是一个极具挑战性的前沿课题。

5. 技术深度补充与未来展望

5.1 柯西-比内公式变换的物理意蕴与 MCTDHF 的类比

读者可能会敏锐地发现，NB-tVMC 的数学本质极度类似于量子化学中经典的**多构型含时自洽场（MCTDHF, Multi-Configuration Time-Dependent Hartree-Fock）方法，或者是含时主动空间（TD-CASSCF）**方法。在 MCTDHF 中，多体波函数同样写成多个行列式的线性组合：

$$\Psi(t) = \sum_I C_I(t) \Phi_I(\{\psi_p(t)\})$$

其中构型系数 $C_I(t)$ 和单粒子三维轨道 $\psi_p(t)$ 都在随时间演化。而 NB-tVMC 与之相比，呈现出了极其迷人的现代深度学习特征：

MCTDHF 需要复杂的拉格朗日乘子约束来演化单粒子轨道 $\psi_p(t)$，其在大基组下由于高维三维积分和正交性约束，计算极度容易陷入局部极小值或遭遇数值瓶颈。
NB-tVMC 彻底舍弃了单粒子含时轨道的演化，转而借助预训练好的多体神经网络基底 $\chi$ 一步到位地封锁了极高维度的瞬时电子-电子关联（Jastrow-backflow 效应）。由于基底自适应地凝聚了多体关联，我们仅需极其稀少的基底个数（如 5 个状态），就能在极度局域的线性子空间中，展现出媲美传统海量单粒子基组（如包含数百个弥散高斯基的 FCI）的优异空间表达力。

5.2 外加电场形状的精确定义

为了方便量子化学研究者进行代码基准校验和精确物理复现，这里给出论文中对不同体系施加的外加含时激光脉冲电场的具体解析函数表达式：

1. 氢原子体系下的正弦平方包络脉冲：

$$\mathbf{E}(t) = E_{\text{max}} \left[ \sin^2 \left( \frac{\pi t}{3T} \right) \cos(\omega t) + \frac{\pi}{3\omega T} \sin \left( \frac{2\pi t}{3T} \right) \sin(\omega t) \right] \hat{\mathbf{z}}$$

其中电场峰值振幅 $E_{\text{max}} = 0.029$ a.u.，光子频率 $\omega = 0.057$ a.u.，光学周期 $T = 2\pi / \omega$。这一极为复杂的包络设计确保了在 $t = 3T$ 时，外加电场的光滑无偏关闭，消除了突跃接通产生的非物理高频电子共振杂质。

2. 拉伸 $\text{H}_2$ 分子体系下的梯形包络脉冲：

$$\mathbf{E}(t) = -E_{\text{max}} \sin(\omega t) \hat{\mathbf{z}} \times f(t)$$

其中，包络因子 $f(t)$ 定义为：

$$f(t) = \begin{cases} t/T & (0 \le t < T) \\ 1 & (T \le t < 2T) \\ 3 - t/T & (2T \le t \le 3T) \end{cases}$$

这里，峰值振幅 $E_{\text{max}} = 0.07$ a.u.，激光频率 $\omega = 0.1$ a.u.，包络变周期 $T = 2\pi / \omega$。

5.3 动力学演化中辛结构与能量守恒性实证（附录图2解析）

研究团队在论文 Supplementary Figure 2 中给出了一个极具理论指导意义的测试：在无外场驱动下，对比全参数 tVMC 与 NB-tVMC 对孤立体系哈密顿量总能量守恒性的维持效果：

tVMC (MP, 全参数)：由于 McLachlan 变分原理在全参数高非线性空间中对辛几何度规的不守恒性，伴随着蒙特卡洛随机采样噪声的积累，体系总能量发生了极其剧烈的向上漂移和发散。
NB-tVMC (MP 或 DFP, 局域线性流)：由于演化被紧约束在固定的神经网络基底子空间内，变分原理退化为了极其严谨的、等价于含时薛定谔方程在子希尔伯特空间上的严格正交投影。两条演化曲线在整个 propagation 时段（直至 $225$ a.u. 时间以上）表现出了几乎完美的、令人惊叹的能量守恒性，偶极矩也展现出极其纯净的无阻尼简谐自发振荡。这在数学上雄辩地证明了 NB-tVMC 在处理长期超快电磁物理演化时的天然稳定性优势。

5.4 未来研究展望：主动在线学习与全量子非阿迪雅演化

为了克服“冻结基底”导致的非线性自适应能力下降，未来的一个极具前景的方向是引入 主动在线学习（Active On-the-fly Re-training） 机制。通过实时监控含时变分残差：

$$\mathcal{R}(t) = \| i\partial_t \Psi - \hat{H}\Psi \|$$

一旦残差超过设定的物理容忍阈值，系统便自动暂停时变线性步进，触发一次短周期的非线性层 NES-VMC 局域重构更新，使神经网络基底 $\chi$ 能够“动态生长”并自适应地演化出新的自由度，来承载强极化、多重电离或原子核位移带来的巨大物理变化。这不仅能使 NB-tVMC 的普适性逼近极限，更将为构建下一代具有真正变革意义的第一性原理超快量子动力学通用平台，提供一条坚实、优雅且无限希望的技术路线。