[提案] RSSE sign problem：Neural autoregressive control variates benchmark
问题
Neural autoregressive control variates 能否在 SU(2) RSSE 上系统降低 sign problem 导致的 variance，并给出可复现 benchmark？
为什么现在可以做
- Bei Qiao 2026-04-17 组会已报告 neural CV + autoregressive 初步结果
- 组内 SSE/RSSE 代码基础（2026-01-23 sign problem 讨论）
- autoresearch 可用于超参 / ansatz 结构搜索
科学意义
Sign problem 是量子 Monte Carlo 核心瓶颈；若 neural CV 在 RSSE 上有效，可推广到其他 lattice gauge 模型。
可行性
- 有组会 slide 与现有 SSE 实现路径
- 首步只需 1D/小系统验证，算力可控
- Agent 可自动化：跑 batch → 记录 variance → 迭代 ansatz
建议首步
- 精读 2026-04-17 slide，统一 notation
- 实现 minimal RSSE + baseline CV
- 对比 neural autoregressive CV vs 传统 CV 的 variance ratio
风险
- Autoregressive CV 训练不稳定
- 与已有 SSE 实现接口不匹配
相关
👍 可行 ·👎 不可行 ·🤔 不确定 ·🚀 优先