企业官网建设流程全解析

NetKet 自回归模型（ARNN）教程：从原理到快速实现的完全指南（附实战）

【免费下载链接】netketMachine learning algorithms for many-body quantum systems项目地址: https://gitcode.com/gh_mirrors/ne/netket

如果你正在寻找一套能够高效求解量子多体系统基态的开源工具，那么 NetKet 自回归模型（ARNN）绝对值得深入了解。NetKet 是基于 JAX 的量子机器学习框架，专为多体量子系统设计，其自回归神经网络（Autoregressive Neural Network，ARNN）模块提供了从 Dense、Conv 到快速缓存版本的一整套开箱即用的变分量子态。本文将从原理讲起，带你 30 分钟快速上手 NetKet ARNN，用最少的代码完成一维 Ising 模型的基态求解。

什么是 NetKet 自回归模型（ARNN）？

在量子多体物理中，波函数的参数化表示一直是个难题。传统做法如 RBM（受限玻尔兹曼机）虽然有效，但采样必须依赖马尔可夫链，存在自相关、需要热化等问题。NetKet 自回归模型则另辟蹊径：它把波函数分解为一系列条件概率的乘积：

p(σ) = p₁(σ₁) × p₂(σ₂|σ₁) × … × pₙ(σₙ|σ₁…σₙ₋₁)

这意味着每个格点只依赖前面已经生成的格点，形成天然的"因果结构"。更妙的是，ARNN 可以直接、精确地采样，无需马尔可夫链、无需丢弃热化样本，每个样本都是独立同分布的。这一特性让 NetKet ARNN 在变分蒙特卡洛（VMC）中格外高效。

ARNN 相比传统方法的 3 大优势

• ✅零自相关采样：通过ARDirectSampler直接采样，样本间完全独立
• ✅精确归一化：波函数天然归一化，能量估计更稳定
• ✅GPU/TPU 友好：基于 JAX 的掩码实现，自动微分与批量并行毫无压力

NetKet 自回归模型的核心组成模块

在动手写代码前，先认识 NetKet 中与 ARNN 相关的三个核心模块，它们协同工作构成完整流程。

1. 模型定义：netket/models/autoreg.py

这是 NetKet 自回归模型的"心脏"，所有 ARNN 类都继承自基类AbstractARNN：

基类中定义了三个关键方法：conditionals_log_psi（逐格点输出对数条件波函数）、conditionals（输出条件概率）、conditional（供逐点采样使用）。还有一个容易忽略的重要参数machine_pow（默认 2），它控制波函数模的归一化指数，采样时一定要保持一致。

2. 直接采样器：netket/sampler/autoreg.py

ARDirectSampler是 ARNN 专属的采样器，它按自回归顺序逐格点调用model.conditional(x, i)完成采样。它最大的特点是is_exact = True——采样分布精确等于变分态分布，这是 MCMC 采样器无法做到的。

3. 快速缓存版本：netket/models/fast_autoreg.py

为什么叫 Fast？因为普通的自回归采样每生成一个格点都要重跑一次整个网络，生成 N 个格点就要跑 N 次。Fast 版本通过缓存中间结果，只更新被改变的那部分计算，采样复杂度大幅下降，在卷积网络上尤其明显。官方示例 ising1d_autoreg_conv_fast.py 中甚至直接跑到了 L=100 的自旋链。

NetKet 自回归模型快速上手：安装与准备

安装 NetKet 非常简单，只需一行命令（会自动带上 JAX 依赖）：

pip install netket

如果你希望体验更快的 JAX（比如配合 CUDA GPU），建议先单独安装对应版本的 JAX 再安装 NetKet。安装完成后，克隆官方示例仓库即可获得本文用到的全部脚本：

git clone https://gitcode.com/gh_mirrors/ne/netket

实战：5 步用 NetKet ARNN 求解 Ising 基态

下面我们基于官方示例 ising1d_autoreg_dense.py，拆解 NetKet 自回归模型的完整求解流程。整个流程只有五步，概念高度模块化：

第 1 步：定义格点与希尔伯特空间

import netket as nk g = nk.graph.Hypercube(length=20, n_dim=1, pbc=True) # 20 个格点的一维环 hi = nk.hilbert.Spin(s=1/2, N=g.n_nodes) # 每个格点一个自旋 1/2

第 2 步：定义哈密顿量与自回归模型

ha = nk.operator.Ising(hilbert=hi, graph=g, h=1) # 横场 Ising 模型 ma = nk.models.ARNNDense(hilbert=hi, layers=2, features=10)

一行代码即完成 ARNN 定义，掩码机制已经内置，你完全不需要关心"如何保证自回归性"这个实现细节。

第 3 步：配置采样器与变分态

sa = nk.sampler.ARDirectSampler(hi) # 直接采样，无需热化 vs = nk.vqs.MCState(sa, ma, n_samples=64) # 每步仅需少量样本

由于样本独立无自相关，每个优化步只需要 64 个样本即可，这比 MCMC 方案（动辄上千样本 + 热化丢弃）省时得多。

第 4 步：选择优化器与 SR 预处理器

op = nk.optimizer.Sgd(learning_rate=0.1) sr = nk.optimizer.SR(diag_shift=0.01) # 随机重构加速收敛

第 5 步：运行 VMC 优化并输出结果

gs = nk.driver.VMC(ha, op, variational_state=vs, preconditioner=sr) gs.run(n_iter=1000, out="test") print(vs.expect(ha)) # 打印能量与误差

至此，一个完整的 NetKet ARNN 基态求解流程就完成了！如果你有 GPU，把L调大、改用 FastARNNConv1D 就能轻松扩展到百位量级的系统。

如何选择适合你的 NetKet 自回归模型？

新手常纠结该用哪个模型，这里给你一份直接可抄的选择清单：

• 🧪小规模验证（L ≤ 20）：ARNNDense，参数简单、调试直观
• 📏一维大系统（L ≥ 50）：FastARNNConv1D，缓存加速收益巨大
• 🕸️二维格点：ARNNConv2D，卷积核天然利用平移对称性与局域性，参数远少于 Dense 版本
• 🔁需要记忆长程关联：试试 RNN 系列（LSTM/GRU），官方示例 ising1d_rnn.py 展示了用法

需要提醒的是：Dense 层在系统变大时参数数量会爆炸，而卷积层把参数数量压下来后，还能与随机重构（SR）更好地配合，让参数空间度量更有意义。

NetKet ARNN 常见问题与调参技巧

为什么我训练不收敛？先检查machine_pow是否与模型一致；其次把diag_shift适当调大（如 0.01~0.1）能显著提升 SR 的稳定性。

如何加快大系统的训练？直接切换到 Fast 系列模型，并参考 Benchmarks/fast_autoreg.py 了解不同规模的性能对比。

想自己设计 ARNN？继承AbstractARNN并实现conditionals_log_psi即可，详见 custom_models.md，还可以自定义重整化顺序（reorder方法）来适配非平凡格点拓扑。

结语

NetKet 自回归模型把"量子波函数 + 深度学习 + 无偏采样"三者优雅地统一起来，让物理研究者用十几行代码就能得到可靠的基态结果。无论你是刚接触量子机器学习的新手，还是想把手头的大规模模型跑起来，NetKet ARNN 都是一个性价比极高的起点。快克隆示例仓库，跑起你的第一个 ARNN 吧！

【免费下载链接】netketMachine learning algorithms for many-body quantum systems项目地址: https://gitcode.com/gh_mirrors/ne/netket