Time-dependent variational Monte Carlo without bias

Resumen Técnico: Monte Carlo variacional dependiente del tiempo sin sesgo

Enunciado del Problema
El Monte Carlo variacional (VMC) combinado con funciones ansatz altamente expresivas, como los Estados Cuánticos Neuronales (NQS), es una herramienta poderosa para simular sistemas cuánticos de muchos cuerpos en y fuera del equilibrio. Sin embargo, la formulación tradicional del VMC dependiente del tiempo (t-VMC) adolece de un sesgo de estimación sutil pero crítico. Este sesgo surge de una discrepancia entre el soporte de la distribución de Born (la distribución de probabilidad definida por el cuadrado de la amplitud de la función de onda, $|\psi_\theta(s)|^2$) y el soporte de las cantidades que se están estimando (como el Tensor Geométrico Cuántico y los vectores de fuerza).

Específicamente, cuando la función de onda presenta raíces (es decir, $\psi_\theta(s) = 0$ para ciertas configuraciones $s$), el muestreo estándar de Born falla al capturar las contribuciones de estas regiones. Aunque este sesgo desaparece en el límite termodinámico para estados típicos, conduce a inexactitudes significativas en casos patológicos y es particularmente perjudicial para la dinámica en tiempo real, donde se debe mantener una alta precisión en cada paso de tiempo. Esto puede causar que la simulación se "atasque" o diverja de la trayectoria física correcta.

Metodología
Los autores investigan dos vías distintas para eludir este sesgo de estimación:

1. Muestreo por Importancia Auto-normalizado No Sesgado (SNIS):
   Los autores proponen modificar la distribución de muestreo para asegurar que cubra todo el espacio de configuraciones, eliminando así la discrepancia de soporte. Introducen una "deformación basada en corte" de la distribución de Born, denotada como $q_\epsilon(s)$. Esta distribución se define como:
   $$q_\epsilon(s) = \begin{cases} |\psi_\theta(s)|^2 & \text{si } |\psi_\theta(s)|^2 > \epsilon \cdot \max_s |\psi_\theta(s)|^2 \\ \epsilon \cdot \max_s |\psi_\theta(s)|^2 & \text{en caso contrario} \end{cases}$$
   Aquí, $\epsilon$ es un parámetro de corte pequeño. Esto asegura que $q_\epsilon(s) > 0$ para todo $s$, satisfaciendo las condiciones para un estimador asintóticamente no sesgado. El método utiliza muestreo por importancia auto-normalizado para estimar la razón de las constantes de normalización entre la distribución objetivo y la distribución de muestreo. Los autores argumentan que, en el contexto de las ecuaciones del Principio Variacional Dependiente del Tiempo (TDVP), la razón de las constantes de normalización aparece como un factor pre-fijado tanto en el Tensor Geométrico Cuántico ($\hat{S}$) como en el vector de fuerza ($\hat{F}$), cancelándose efectivamente en el paso de actualización.

2. Interpolación Cruzada de Tensores (TCI):
   Como alternativa al muestreo estocástico, los autores exploran la TCI, un enfoque de aprendizaje activo. En lugar de muestrear desde una distribución de probabilidad, la TCI selecciona iterativamente puntos "pivot" para construir una aproximación de red tensorial de rango bajo (específicamente Estados Producto de Matriz, MPS) de las funciones relevantes (energía local y gradientes). Este enfoque busca evaluar las cantidades del TDVP mediante contracción tensorial eficiente en lugar de estimación Monte Carlo. Los autores prueban la viabilidad de representar el gradiente de la función de onda y la energía local como tensores de rango bajo.

Contribuciones y Resultados Clave

• Validación del Muestreo Basado en Corte:
  Los autores demuestran la eficacia del enfoque SNIS basado en corte en tres escenarios:

  • Caso Patológico de Un Solo Espín: En un sistema de un solo espín rotando alrededor del eje y, el muestreo estándar de Born ($\epsilon=0$) falla completamente cuando el coeficiente de la función de onda se anula, provocando que la dinámica se detenga. Introducir un $\epsilon$ finito recupera la dinámica correcta.
  • Quench Genérico de Muchos Cuerpos: Para un sistema de 10 espines evolucionando bajo un Hamiltoniano de Ising en campo transversal, el método de corte ($\epsilon \approx 10^{-3}$) reduce la infidelidad (desviación del estado exacto) en casi dos órdenes de magnitud en comparación con el muestreo de Born. Crucialmente, esta mejora se logra sin aumentar el número de muestras requeridas.
  • Quench Crítico (TFIM): En un modelo de Ising en campo transversal de 20 espines sometido a un quench al punto crítico, el esquema no sesgado ($\epsilon > 0$) reproduce resultados consistentes con la suma completa del espacio de Hilbert, mientras que el muestreo de Born muestra desviaciones. La infidelidad crece significativamente más tarde en el tiempo para $\epsilon > 0$ en comparación con $\epsilon = 0$.
  • Análisis de Varianza: Los autores confirman que, aunque el corte introduce un límite inferior no nulo, no aumenta significativamente la varianza del estimador para valores de $\epsilon$ suficientemente pequeños (por ejemplo, $10^{-4}$), y la razón de las constantes de normalización puede estimarse confiablemente con un número limitado de muestras.

• Evaluación de la TCI:
  El enfoque TCI fue probado en el mismo modelo TFIM. Si bien el método aproximó con éxito el vector de fuerza y el Tensor Geométrico Cuántico para un sistema más pequeño ($L=16$) con dimensiones de enlace moderadas, falló para sistemas más grandes ($L=20$). Incluso con las dimensiones de enlace máximas probadas ($\chi_{max} = 4096$), el error relativo para el Tensor Geométrico Cuántico ascendió a $\delta \approx 10$, indicando un fallo de la aproximación.
  Los autores atribuyen este fallo a la falta de una estructura de rango bajo requerida en el gradiente de la función de onda neuronal con respecto a sus parámetros variacionales. Además, la naturaleza secuencial del algoritmo TCI conduce a costos computacionales prohibitivos (aprox. 20 horas por paso) en comparación con los métodos Monte Carlo paralelizables.

Significado y Afirmaciones
El artículo afirma que el método SNIS basado en corte propuesto proporciona una variante bien definida y no sesgada del t-VMC que requiere solo modificaciones mínimas al algoritmo original. Resuelve efectivamente el sesgo de estimación inherente al VMC tradicional al tratar con raíces de la función de onda, permitiendo dinámicas en tiempo real precisas sin necesidad de post-procesamiento o núcleos dispersos complejos. El método preserva la escalabilidad computacional favorable de los métodos Monte Carlo.

En cuanto a la TCI, los autores concluyen modestamente que, aunque ofrece una perspectiva alternativa interesante y un control sistemático mediante la dimensión de enlace, la formulación actual está limitada por la arquitectura específica de las redes neuronales utilizadas. La falta de estructura de rango bajo en los términos del gradiente impide que la TCI sea un reemplazo viable para el muestreo en los escenarios probados. Sin embargo, los autores sugieren que trabajos futuros podrían explorar diferentes topologías de redes tensoriales (por ejemplo, estructuras tipo árbol) o el aprendizaje directo del Tensor Geométrico Cuántico para superar potencialmente estas limitaciones.

En resumen, la contribución principal es la demostración de que una simple deformación de la distribución de muestreo puede eliminar el sesgo sistemático en el t-VMC, convirtiéndolo en una herramienta robusta para simular dinámicas cuánticas en tiempo real, particularmente en regímenes donde están presentes nodos de la función de onda.