변분 몬테카를로 (Variational Monte Carlo, VMC)는 전자 구조 이론 (electronic structure theory)의 핵심 알고리즘이며, FermiNet과 같은 현대적인 신경망 안사츠 (neural-network ansätze)를 통해 새로운 중요성을 얻고 있습니다. VMC의 핵심은 확률적 최적화 (stochastic optimization)를 통해 레일리 몫 (Rayleigh quotient)을 최소화함으로써 바닥 상태 (ground states)를 찾는 것입니다. 본 연구에서 우리는 결과적으로 발생하는 확률적 최적화 문제가 근본적으로 기저 파동 함수 (wave function)의 노달 기하학 (nodal geometry)에 의해 지배된다는 것을 보여줍니다. 더 정확하게는, 노달 집합 (nodal set)의 특성이 VMC를 구동하는 국소 에너지 (local energy) 및 그래디언트 (gradient) 추정량의 적분 가능성 (integrability)을 결정한다는 것을 입증합니다. 가변 지수 슬레이터 유형 오비탈 (variable-exponent Slater-type orbitals)을 포함한 Slater-Jastrow 파동 함수와 같이 광범위하고 실질적으로 관련 있는 안사츠 (ansatz) 클래스에 대해, 우리는 이러한 추정량들이 일반적으로 헤비테일 (heavy-tailed) 분포를 따르며 고차 모멘트 (higher moments)를 허용하지 않음을 증명합니다. 동시에, 일반적인 해석적 안사츠 (analytic ansätze)에 대해 우리는 관련 추정량들에 대한 약한 모멘트 경계 (weak moment bounds)를 증명하고 정확한 저차 모멘트 영역 (low-moment regimes)을 식별하여, 일반적이고 퇴화된 노달 구조 (degenerate nodal structures)가 어떻게 서로 다른 적분 가능성 임계값 (integrability thresholds)으로 이어지는지 보여줍니다. 이러한 분석을 바탕으로, 우리는 국소 에너지와 그래디언트 확률 변수 모두를 클리핑 (clipping)하는 것에 기반한 VMC의 새로운 강건한 변형 방식인 PS-Clip-VMC를 도입합니다. 우리는 PS-Clip-VMC가 VMC의 약한 모멘트 영역 (weak moment regime)에서 기댓값 (expectation)과 높은 확률 (high probability) 모두에서 수렴함을 증명합니다. 최대 18개의 전자를 가진 원자 (Atoms)에 대해 FermiNet을 훈련시킨 예비 실험 결과는 PS-Clip-VMC가 표준 방법들보다 현저히 더 강건하다는 것을 시사합니다.