量子多体优化的新范式：从强化学习视角重构神经网络量子态（NQS）
本文深度解析发表于近年的一篇突破性学术论文。该研究巧妙地将变分蒙特卡洛（VMC）中的能量最小化问题，形式化映射为强化学习中的优势策略梯度（Advantage Policy-Gradient）问题，并在此基础上提出了全新的近端波函数优化（PWO）算法。该算法彻底摆脱了传统二阶优化方法高昂的矩阵求逆代价，首次实现了在15亿参数级超大规模自回归网络上进行神经网络量子态（NQS）的稳定、高效优化。
本文深度解析发表于近年的一篇突破性学术论文。该研究巧妙地将变分蒙特卡洛（VMC）中的能量最小化问题，形式化映射为强化学习中的优势策略梯度（Advantage Policy-Gradient）问题，并在此基础上提出了全新的近端波函数优化（PWO）算法。该算法彻底摆脱了传统二阶优化方法高昂的矩阵求逆代价，首次实现了在15亿参数级超大规模自回归网络上进行神经网络量子态（NQS）的稳定、高效优化。