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

Resumen Técnico: Mejora de los Métodos de Interacción de Configuraciones Cuántico-Clásicos Mediante un Clasificador de Redes Neuronales

Planteamiento del Problema
Los cálculos precisos de la estructura electrónica requieren métodos capaces de manejar la correlación electrónica dentro de espacios de Hilbert que crecen exponencialmente con el número de orbitales activos. Aunque la Interacción de Configuraciones Completa (FCI) proporciona soluciones exactas, su coste computacional la restringe a sistemas muy pequeños. Los métodos de Interacción de Configuraciones Seleccionadas (SCI), tales como CIPSI, ASCI y la Interacción de Configuraciones de Baño de Calor (HCI), ofrecen un compromiso al construir iterativamente espacios variacionales compactos que contienen solo los determinantes más importantes. Sin embargo, la eficiencia de los métodos SCI depende críticamente de las heurísticas utilizadas para identificar estos determinantes importantes. A medida que el espacio seleccionado crece, el número de determinantes candidatos a inspeccionar se vuelve grande, creando un cuello de botella.

Del mismo modo, en el dominio de la computación cuántica, los métodos de Diagonalización Cuántica basada en Muestreo (SQD) intentan resolver el problema de CI utilizando dispositivos NISQ mediante la construcción de un subespacio a partir de mediciones cuánticas. Una limitación significativa de SQD es su ineficiencia para descubrir nuevos determinantes; el muestreo repetido suele seleccionar las mismas configuraciones, particularmente cuando se parte de un ansatz aproximado, lo que limita la precisión del cálculo.

Metodología
Los autores proponen un marco de trabajo basado en datos que redefine la selección de determinantes como una tarea de clasificación binaria, integrando un clasificador de red neuronal (NN) en flujos de trabajo de CI iterativos mediante un bucle de aprendizaje activo. Este enfoque se aplica a dos algoritmos distintos: una variante clásica de HCI (cHCI) y una variante cuántica-clásica de SQD (cSQD).

El procedimiento central opera de la siguiente manera en cada iteración:

1. Generación del Pool de Candidatos: El método subyacente genera un conjunto ($P$) de determinantes candidatos (por ejemplo, mediante el cribado de baño de calor en HCI o la recuperación de configuraciones en SQD).
2. Muestreo Aleatorio y Etiquetado: Se selecciona una fracción fija y pequeña ($f_s = 0.2$) del pool ($P_{rand}$). Se forma un espacio variacional temporal combinando el espacio actual con $P_{rand}$. Una única diagonalización del Hamiltoniano en este espacio temporal produce los coeficientes de CI.
3. Asignación de Etiquetas: Las configuraciones en $P_{rand}$ con amplitudes que exceden un umbral se etiquetan como "importantes", mientras que las otras se etiquetan como "no importantes". Esto crea un conjunto de datos equilibrado para el entrenamiento.
4. Entrenamiento del Clasificador: Se entrena un clasificador de red neuronal desde cero sobre este subconjunto etiquetado para predecir la importancia de las configuraciones basándose en sus cadenas de bits de número de ocupación.
5. Selección Guiada: El clasificador entrenado califica al resto de los candidatos en el pool ($P_{rest}$). El siguiente espacio variacional se construye reteniendo las configuraciones etiquetadas como "importantes" de $P_{rand}$ y añadiendo las configuraciones con las puntuaciones más altas de $P_{rest}$.

Este marco modifica únicamente el paso de selección del algoritmo, dejando intacto el flujo de trabajo principal (diagonalización, muestreo, etc.). El clasificador se adapta continuamente a medida que la función de onda evoluciona durante el proceso iterativo.

Contribuciones Clave

• Marco Unificado: El artículo introduce un bucle general de aprendizaje activo que trata la selección de determinantes como un problema de clasificación binaria, aplicable tanto a métodos de SCI clásicos como cuánticos-clásicos.
• Integración Algorítmica: Los autores integran con éxito este marco en dos algoritmos específicos:
  • cHCI: Un método de Interacción de Configuraciones de Baño de Calor mejorado por clasificador.
  • cSQD: Un método de Diagonalización Cuántica basada en Muestreo mejorado por clasificador.
• Clasificación Basada en Cadenas de Bits: El enfoque utiliza redes neuronales que operan directamente sobre cadenas de bits de número de ocupación, proporcionando una alternativa flexible y agnóstica a la arquitectura frente a los criterios tradicionales basados en perturbaciones o energía.

Resultados
Los autores compararon sus métodos propuestos contra sus contrapartes tradicionales utilizando el estado fundamental de la molécula de nitrógeno ($N_2$) a una distancia internuclear de equilibrio de $R = 2.1$ Å en el conjunto de bases cc-pVDZ.

• Rendimiento de cHCI: El método cHCI recuperó más del 98% de la energía de correlación CASCI con una dimensión de espacio variacional que era solo 1/5 del tamaño del espacio HCI estándar convergido. Esto resultó en una reducción de aproximadamente 5 veces tanto en la huella de memoria como en el coste computacional por iteración (específicamente para la diagonalización Davidson variacional).
• Rendimiento de cSQD: El método cSQD demostró una convergencia significativamente acelerada en comparación con el SQD estándar. cSQD logró un error de energía de correlación relativa inferior al 1% en solo 3 iteraciones. En contraste, el SQD estándar no logró alcanzar ese umbral de precisión incluso después de 20 iteraciones.
• Eficiencia: La selección basada en el clasificador comprimió eficazmente el espacio variacional sin sacrificar la precisión, permitiendo que los algoritmos se concentren en las configuraciones más relevantes.

Significancia y Reivindicaciones
El artículo sostiene que la selección de determinantes asistida por clasificador sirve como una herramienta ligera y agnóstica al método para comprimir espacios variacionales y acelerar algoritmos de interacción de configuraciones tanto clásicos como híbridos cuántico-clásicos. Al reemplazar la selección heurística por un clasificador entrenado on-the-fly, el método logra la paridad de resultados con los enfoques tradicionales a costes computacionales sustancialmente menores.

Los autores posicionan este trabajo como un primer paso hacia una comprensión más completa de la selección asistida por clasificadores. Observan que, aunque el estudio actual se centra en un único sistema molecular y en la etapa variacional, el marco sugiere un papel más amplio para el aprendizaje automático en el diseño de representaciones de funciones de onda compactas y flujos de trabajo de estructura electrónica más eficientes. El artículo no pretende resolver el problema de escalabilidad para todos los sistemas universalmente, sino que demuestra la utilidad del enfoque para los casos específicos de cHCI y cSQD en $N_2$.