Determining the ensemble N-representability of Reduced Density Matrices

Resumen Técnico: Determinación de la N-representabilidad de Conjuntos de Matrices de Densidad Reducida

Planteamiento del Problema
El problema de la N-representabilidad es un desafío fundamental en la teoría de la estructura electrónica, que concierne a las condiciones necesarias y suficientes que debe satisfacer una matriz de densidad reducida ($p$-RDM) de $p$-cuerpos para ser derivable de una función de onda de $N$-electrones o de un estado mixto (conjunto/ensemble). Se ha progresado significativamente en lo que respecta a la N-representabilidad de estados puros, pero determinar la N-representabilidad de conjuntos para una $p$-RDM sigue siendo un obstáculo crítico, particularmente para aplicaciones que involucran mezclas térmicas, sistemas cuánticos abiertos y conjuntos estadísticos. La verificación de si una $p$-RDM dada corresponde a un estado físico de $N$-electrones es computacionalmente intratable en el caso general, perteneciendo a la clase de complejidad cuántica Merlin-Arthur-completa. Las condiciones aproximadas existentes suelen ser insuficientes para sistemas fuertemente correlacionados, y el conjunto completo de condiciones necesarias y suficientes para las $p$-RDMs (donde $p > 1$) sigue siendo desconocido.

Metodología
Este trabajo propone un marco práctico para determinar la N-representabilidad de conjunto de una matriz de $p$-cuerpos extendiendo un algoritmo de evolución unitaria previamente desarrollado (pure ADAPT-VQA) al caso de conjuntos. La metodología central se basa en una estrategia de purificación:

1. Incrustación de Purificación (Purification Embedding): Siguiendo el teorema de Schrödinger-Hughston-Jozsa-Wootters, un estado de conjunto $\rho$ definido en un espacio de Hilbert $\mathcal{H}_s$ se incrusta en un estado puro $|\Psi_{sb}\rangle$ definido en un espacio de Hilbert extendido $\mathcal{H}_{sb} = \mathcal{H}_s \otimes \mathcal{H}_b$, donde $\mathcal{H}_b$ es un espacio auxiliar. La purificación se construye de tal manera que $\rho = \text{Tr}_b(|\Psi_{sb}\rangle\langle\Psi_{sb}|)$, asegurando que las matrices de densidad reducidas del estado purificado reproduzcan las del conjunto original.
2. Evolución Unitaria Variacional: El algoritmo emplea un algoritmo cuántico variacional (VQA) adaptativo de pseudo-Trotter de derivas ensambladas (ADAPT). Este aplica iterativamente unitarias variacionales a un estado purificado inicial (construido a partir de un estado inicial de $N$-partículas $|\phi_0\rangle$ y su purificación).
3. Pool de Operadores: La evolución es impulsada por un pool de operadores de excitación-desexcitación antihermíticos adecuados para fermiones, restringidos a las restricciones del conjunto canónico (sin cambios en el número de partículas en el sistema o en el espacio auxiliar). Estos operadores se mapean a operadores de Pauli mediante la transformación de Jordan-Wigner, lo que hace que el algoritmo sea adecuado para la simulación en computadoras cuánticas.
4. Objetivo de Optimización: El algoritmo minimiza la distancia de Hilbert-Schmidt ($D$) entre la $p$-RDM del estado purificado evolucionado y una $p$-RDM objetivo ($p\rho_{\text{target}}$).
   • Si el algoritmo converge a una distancia $D_{\min} \approx 0$, el objetivo se considera N-representable de conjunto.
   • Si $D_{\min} > 0$, la magnitud de la distancia sirve como una medida cuantitativa del grado de violación de la N-representabilidad.
   • El estado evolucionado proporciona el estado reducido de conjunto más cercano que es físicamente N-representable respecto al objetivo defectuoso.

Contribuciones Clave

• Algoritmo Ensemble ADAPT-VQA: La introducción de un marco híbrido que extiende los algoritmos de representabilidad de estado puro a estados de conjunto mediante purificación. Esto permite al algoritmo distinguir si un objetivo es una matriz de estado puro o una mezcla de conjunto.
• Corrección y Refinamiento de Errores: La metodología ofrece una ruta para el refinamiento de la matriz de densidad. Puede corregir matrices de densidad reducida de conjunto defectuosas (aquellas que violan las condiciones de N-representabilidad) evolucionándolas hacia el estado físico más cercano.
• Reconstrucción de Estados Cuánticos: El algoritmo facilita la reconstrucción de estados cuánticos en computadoras cuánticas, permitiendo la recuperación de una función de onda o un estado purificado compatible a partir de una RDM objetivo.
• Validación Numérica: El marco se valida mediante simulaciones numéricas tanto en sistemas modelo como en sistemas moleculares a temperatura finita, demostrando su capacidad para manejar 1-RDMs y 2-RDMs.

Resultados
Los autores validaron el algoritmo utilizando simulaciones numéricas en un simulador cuántico sin ruido:

• Sistemas Modelo (Temperatura Cero): Se realizaron pruebas en sistemas de 4 electrones con 3 y 4 orbitales.
  • Para 1-RDMs, el algoritmo distinguió con éxito entre estados de estado puro y de conjunto N-representables. En casos donde se violaron las condiciones de N-representabilidad pura de Klyachko (condiciones de Pauli generalizadas) (estados mixtos), el pure ADAPT-VQA falló en converger a una distancia cero, mientras que el ensemble ADAPT-VQA convergió a $D_{\min} \approx 0$.
  • Para 2-RDMs, donde las condiciones completas de N-representabilidad pura son desconocidas, el algoritmo identificó correctamente la N-representabilidad de conjunto para todos los objetivos construidos. Además, demostró la capacidad de detectar si una 2-RDM de conjunto podía contraerse a una 1-RDM pura.
  • Robustez al Ruido: Al introducir ruido aleatorio en las matrices objetivo, el estudio mostró que $D_{\min}$ escala con la fuerza del ruido ($\epsilon$), confirmando la utilidad del algoritmo para cuantificar la severidad de las violaciones de N-representabilidad.
• Sistemas Moleculares (Temperatura Finita): El algoritmo se aplicó a moléculas de $H_2$ y $H_3$ lineal a temperaturas finitas. Las matrices objetivo fueron construidas a partir de estados térmicos de conjunto canónico y perturbadas con ruido.
  • Los resultados indicaron que la distancia convergida $D_{\min}$ es más sensible al ruido añadido ($\epsilon$) que a las características de correlación intrínsecas del estado sin ruido subyacente.
  • A medida que el ruido aumentó, $D_{\min}$ aumentó significativamente (por ejemplo, alcanzando $\sim 10^1$ para 2-RDMs con $\epsilon=0.1$), demostrando la capacidad del algoritmo para detectar y cuantificar defectos de representabilidad en escenarios moleculares realistas.

Significancia
El artículo afirma que este trabajo proporciona un marco práctico y robusto para abordar el problema de la N-representabilidad de conjuntos, un desafío que históricamente ha sido computacionalmente intratable. Al aprovechar la purificación y los algoritmos cuánticos variacionales, el método propuesto ofrece una capacidad dual: puede clasificar la naturaleza de una RDM dada (pura vs. de conjunto) y corregir matrices defectuosas para imponer restricciones físicas. Esto es significativo para mejorar la precisión de los cálculos de química cuántica, particularmente para sistemas de electrones fuertemente correlacionados y aplicaciones de temperatura finita. Los autores enfatizan que el algoritmo es compatible con el hardware cuántico, ofreciendo una vía para el refinamiento de la matriz de densidad y la reconstrucción del estado cuántico en futuras simulaciones cuánticas.