Enhancing quantum-classical configuration interaction methods using a neural-network classifier

Technisches Resümee: Optimierung von Quanten-klassischen Konfigurationswechselwirkungs-Methoden mittels eines neuronalen Netzwerk-Klassifikators

Problemstellung
Genaue Berechnungen der Elektronenstruktur erfordern Methoden, die in der Lage sind, die Elektronenkorrelation innerhalb von Hilbert-Räumen zu handhaben, die exponentiell mit der Anzahl der aktiven Orbitale wachsen. Während die Full Configuration Interaction (FCI) exakte Lösungen liefert, beschränkt deren Rechenaufwand die Anwendung auf sehr kleine Systeme. Selektive Konfigurationswechselwirkungs-Methoden (SCI), wie etwa CIPSI, ASCI und Heat-Bath Configuration Interaction (HCI), bieten einen Kompromiss, indem sie iterativ kompakte Variationsräume konstruieren, die nur die wichtigsten Determinanten enthalten. Die Effizienz von SCI-Methoden hängt jedoch entscheidend von den Heuristiken ab, die zur Identifizierung dieser wichtigen Determinanten verwendet werden. Mit zunehmender Größe des selektierten Raums wird die Anzahl der zu untersuchenden Kandidatdeterminanten groß, was einen Engpass erzeugt.

Ähnlich verhält es sich im Bereich des Quantencomputings, wo Sample-basierte Quantendiagonalisations-Methoden (SQD) versuchen, das CI-Problem unter Verwendung von NISQ-Geräten zu lösen, indem sie einen Subraum aus Quantenmessungen konstruieren. Eine signifikante Einschränkung von SQD ist die Ineffizienz bei der Entdeckung neuer Determinanten; wiederholtes Sampling führt oft dazu, dass dieselben Konfigurationen ausgewählt werden, insbesondere wenn man von einem approximativen Ansatz ausgeht, was die Genauigkeit der Berechnung begrenzt.

Methodik
Die Autoren schlagen ein datengesteuertes Framework vor, das die Determinantenselektion als binäre Klassifikationsaufgabe umformt und einen neuronalen Netzwerk-Klassifikator (NN) über eine Active-Learning-Schleife in iterative CI-Workflows integriert. Dieser Ansatz wird auf zwei verschiedene Algorithmen angewendet: eine klassische Variante von HCI (cHCI) und eine quanten-klassische Variante von SQD (cSQD).

Das Kernverfahren arbeitet in jeder Iteration wie folgt:

1. Generierung des Kandidatenpools: Die zugrunde liegende Methode generiert einen Pool ($P$) von Kandidatdeterminanten (z. B. via Heat-Bath-Screening in HCI oder Konfigurationsrekonstruktion in SQD).
2. Zufälliges Sampling und Labeling: Ein kleiner, fester Bruchteil ($f_s = 0,2$) des Pools wird zufällig ausgewählt ($P_{rand}$). Ein temporärer Variationsraum wird gebildet, indem der aktuelle Raum mit $P_{rand}$ kombiniert wird. Eine einzige Diagonalisierung des Hamilton-Operators in diesem temporären Raum liefert die CI-Koeffizienten.
3. Label-Zuweisung: Konfigurationen in $P_{rand}$, deren Amplituden einen Schwellenwert überschreiten, werden als „wichtig“ gelabelt, während andere als „unwichtig“ gelabelt werden. Dies erzeugt einen balancierten Datensatz für das Training.
4. Klassifikator-Training: Ein neuronaler Netzwerk-Klassifikator wird von Grund auf neu auf diesem gelabelten Subset trainiert, um die Wichtigkeit von Konfigurationen basierend auf deren Besetzungszahl-Bitstrings vorherzusagen.
5. Gesteuerte Selektion: Der trainierte Klassifikator bewertet die verbleibenden Kandidaten im Pool ($P_{rest}$). Der nächste Variationsraum wird konstruiert, indem die als „wichtig“ gelabelten Konfigurationen aus $P_{rand}$ beibehalten und die am besten bewerteten Konfigurationen aus $P_{rest}$ hinzugefügt werden.

Dieses Framework modifiziert lediglich den Selektionsschritt des Algorithmus, während der Kernablauf (Diagonalisierung, Sampling etc.) intakt bleibt. Der Klassifikator passt sich kontinuierlich an, während sich die Wellenfunktion während des iterativen Prozesses entwickelt.

Wesentliche Beiträge

• Vereinheitlichtes Framework: Die Arbeit führt eine allgemeine Active-Learning-Schleife ein, die die Determinantenselektion als binäres Klassifikationsproblem behandelt, anwendbar auf sowohl klassische als auch quanten-klassische SCI-Methoden.
• Algorithmische Integration: Die Autoren integrieren dieses Framework erfolgreich in zwei spezifische Algorithmen:
  • cHCI: Eine Klassifikator-gestützte Heat-Bath Configuration Interaction Methode.
  • cSQD: Eine Klassifikator-gestützte Sample-based Quantum Diagonalisation Methode.
• Bitstring-basierte Klassifikation: Der Ansatz nutzt neuronale Netzwerke, die direkt auf Besetzungszahl-Bitstrings operieren, und bietet somit eine flexible, architekturoffene Alternative zu traditionellen perturbativen oder energiebasierten Selektionskriterien.

Ergebnisse
Die Autoren haben die vorgeschlagenen Methoden gegen ihre traditionellen Gegenstücke unter Verwendung des Grundzustands des Stickstoffmoleküls ($N_2$) bei einem Gleichgewichtsabstand von $R = 2,1$ Å im cc-pVDZ-Basissatz getestet.

• cHCI-Leistung: Die cHCI-Methode rekonstruierte mehr als 98 % der CASCI-Korrelationsenergie mit einem Variationsraum-Dimension, die nur 1/5 der Größe des konvergierten Standard-HCI-Raums betrug. Dies führte zu einer etwa 5-fachen Reduktion sowohl des Speicherbedarfs als auch der Rechenkosten pro Iteration (speziell für die Variationelle Davidson-Diagonalisierung).
• cSQD-Leistung: Die cSQD-Methode zeigte eine signifikant beschleunigte Konvergenz im Vergleich zu Standard-SQD. cSQD erreichte einen relativen Korrelationsenergiefehler von unter 1 % in nur 3 Iterationen. Im Gegensatz dazu schaffte es Standard-SQD nicht, diesen Genauigkeitsschwellenwert selbst nach 20 Iterationen zu erreichen.
• Effizienz: Die Klassifikator-basierte Selektion konnte den Variationsraum effektiv komprimieren, ohne die Genauigkeit zu opfern, wodurch die Algorithmen ihre Rechenleistung auf die relevantesten Konfigurationen konzentrieren konnten.

Bedeutung und Ansprüche
Das Paper behauptet, dass die Klassifikator-gestützte Determinantenselektion als leichtgewichtiges, methodenunabhängiges Werkzeug dient, um Variationsräume zu komprimieren und sowohl klassische als auch hybride quanten-klassische Konfigurationswechselwirkungs-Algorithmen zu beschleunigen. Durch den Ersatz der heuristischen Selektion durch einen On-the-fly trainierten datengesteuerten Klassifikator erreicht die Methode eine Ergebnisparität mit traditionellen Ansätzen bei wesentlich geringeren Rechenkosten.

Die Autoren positionieren diese Arbeit als einen ersten Schritt hin zu einem umfassenderen Verständnis der Klassifikator-gestützten Selektion. Sie merken an, dass sich der aktuelle Fokus auf ein einzelnes Molekularsystem und die Variationsstufe konzentriert, das Framework jedoch auf eine breitere Rolle des maschinellen Lernens bei der Gestaltung kompakter Wellenfunktionsrepräsentationen und effizienterer elektronischer Struktur-Workflows hindeutet. Das Paper beansprucht nicht, das Skalierungsproblem für alle Systeme universell zu lösen, demonstriert aber den Nutzen des Ansatzes für die spezifischen Fälle von cHCI und cSQD an $N_2$.