变分蒙特卡罗方法与数据驱动的波函数架构相结合，在多粒子系统的基态计算中取得了巨大成功。然而，使用标准的优化方法（如随机梯度下降）训练这些架构面临着巨大的挑战。Stochastic Reconfiguration （SR）方法提供了一种高效的预条件子保证收敛的稳定性，然而由于每一步都需要求解协方差矩阵的逆，随着模型参数数量的增加计算成本变得不可承受。我们提出了一类基于随机SVD的算法框架探讨这类优化方法改进的可能。