An Iterative Dual-Channel Neural Quantum State Algorithm for Selected Configuration Interaction

Resumen Técnico: Handover Iterative Neural Quantum State (HI-NQS) para la Interacción de Configuración Seleccionada

Planteamiento del Problema
La resolución precisa de la ecuación de Schrödinger electrónica para sistemas fuertemente correlacionados se ve obstaculizada por el crecimiento exponencial del espacio de configuración, lo que hace que la Interacción de Configuración Completa (FCI) sea intratable para todos los casos excepto para los espacios activos más pequeños. Los algoritmos de Interacción de Configuración Seleccionada (SCI) abordan esto mediante la construcción adaptativa de expansiones determinantes compactas. Sin embargo, su eficiencia se ve limitada por la calidad de la estrategia de muestreo utilizada para identificar las configuraciones químicamente importantes. Los métodos existentes enfrentan cuellos de botella específicos: las variantes de SCI clásicas (por ejemplo, CIPSI) sufren un crecimiento combinatorio en los grupos de candidatos y un escalado cúbico en la diagonalización del subespacio; los enfoques cuánticos (por ejemplo, VQE) son actualmente impracticables a escala debido a la sobrecarga de medición y al ruido; y los métodos de Estado Cuántico Neuronal (NQS) existentes a menudo carecen de un ancla de precisión externa o no codifican explícitamente la estructura de espín fermiónica, lo que conduce a un muestreo de eficiencia subóptima.

Metodología: Algoritmo HI-NQS
Los autores proponen el algoritmo Handover Iterative Neural Quantum State (HI-NQS), un enfoque puramente clásico que integra un NQS de Transformer autorregresivo entrenado clásicamente dentro del marco iterativo de muestreo–diagonalización–actualización de la Diagonalización Cuántica Basada en Muestreo (SQD). El algoritmo opera a través de un bucle de retroalimentación cerrada que consta de cinco etapas clave:

1. Muestreo Autorregresivo de Doble Canal: La función de onda es modelada por una arquitectura Transformer que factoriza la distribución de Born $\pi_\theta(x)$ en condicionales resueltos por espín.

   • Arquitectura: Un diseño de doble canal separa los flujos de espín-$\alpha$ y espín-$\beta$. El flujo-$\alpha$ utiliza atención de auto-causal para generar condicionales de espín hacia arriba. El flujo-$\beta$ entrelaza la atención de auto-causal con atención cruzada hacia la configuración $\alpha$ completa ($H_\alpha$). Esto codifica explícitamente las correlaciones de espín opuesto como un sesgo inductivo arquitectónico, contrastando con las codificaciones de flujo único de los métodos NQS generativos previos.
   • Muestreo: Las configuraciones se extraen mediante muestreo ancestral exacto bajo restricciones estrictas de número de partículas, asegurando muestras sin sesgo sin necesidad de mezcla de cadena de Markov.

2. Generación de Candidatos Híbrida: Para contrarrestar el colapso de modo en los muestreadores autorregresivos en las iteraciones tardías, el algoritmo combina propuestas de NQS estocásticas con una expansión clásica determinista. Esta expansión enumera excitaciones simples y dobles de los determinantes dominantes en la base actual, asegurando un suministro constante de configuraciones frescas en la vecindad conectada por el Hamiltoniano de las regiones de alta amplitud.

3. Calificación Perturbativa y Actualización de la Base: Los candidatos se clasifican utilizando una medida de importancia de la teoría de perturbación de segundo orden de Epstein–Nesbet (PT2), $s(x) = |\langle x|\hat{H}|\Psi_0\rangle|^2 / |E_0 - H_{xx}|$. La base acumulativa se actualiza reteniendo las configuraciones con mayor clasificación.

4. Diagonalización de Subespacio: El Hamiltoniano proyectado dentro de la base seleccionada se diagonaliza exactamente (usando un resolvedor Davidson) para obtener la energía del estado fundamental $E_0$ y el autovector $\Psi_0$. Este paso proporciona un límite superior variacional y sirve como el "handover" (traspaso) hacia la diagonalización exacta clásica.

5. Destilación Supervisada (Bucle Profesor-Estudiante): El autovector resultante $\Psi_0$ se destila de nuevo en el NQS. En lugar de minimizar la energía directamente, la red se entrena mediante una función de pérdida compuesta que incluye una señal de profesor derivada de los marginales de espín factorizados de $|\Psi_0|^2$ ($p_\alpha(\sigma_\alpha)p_\beta(\sigma_\beta)$). Esta pérdida supervisada, combinada con términos de política de gradiente y regularización de entropía, actualiza los parámetros de la red para aproximar mejor el autovector del subespacio exacto.

Contribuciones Clave

• Arquitectura de Doble Canal: La introducción de un Transformer con atención cruzada explícita entre los flujos de espín hacia arriba y espín hacia abajo, tratando la separación $\alpha/\beta$ de los fermiones como un sesgo estructural en lugar de una característica aprendida.
• Supervisión Factorizada: Una estrategia de entrenamiento que destila el autovector del subespacio exacto en el NQS utilizando marginales de espín factorizados, creando una vía supervisada activa que se alinea con la arquitectura de doble canal.
• Estrategia de Muestreo Híbrida: La integración de excitaciones simples y dobles deterministas junto con el muestreo autorregresivo para prevenir el colapso de modo y asegurar la cobertura del espacio conectado por el Hamiltoniano.
• Escalabilidad Puramente Clásica: La demostración de que se puede lograr un resolvedor de SCI seleccionado de alto rendimiento y escalable enteramente en hardware GPU sin recursos de computación cuántica, utilizando el principio de "handover" explorado previamente en contextos cuánticos (HI-VQE).

Resultados
Los autores compararon HI-NQS contra CIPSI-SCI y FCI exacto (o proxies de alta precisión de SHCI) a través de 18 sistemas:

• Precisión: HI-NQS alcanzó la precisión química ($|E - E_{ref}| < 1.6$ mHa) en los 18 sistemas probados, incluyendo diez moléculas pequeñas y una serie de espacio activo de nitrógeno de ocho puntos (CAS(6,6) a CAS(14,20), abarcando de 12 a 40 qubits).
• Escalado del Conteo de Determinantes: El método exhibió un exponente de escalado log-lineal para el número de determinantes ($N_{det}$) frente al conteo de qubits de $\alpha_{NQS} = 0.089 \pm 0.011$. Esto es aproximadamente la mitad del escalado de CIPSI-SCI ($\alpha_{CIPSI} = 0.180$) y un tercio del de CASCI completo ($\alpha_{CASCI} = 0.262$).
• Ganancias de Eficiencia: En el espacio activo más grande probado (CAS(14,20), 40 qubits), HI-NQS requirió aproximadamente 200 veces menos determinantes que CIPSI-SCI para alcanzar la precisión química. La ventaja se acumula con el tamaño del sistema, pasando de la paridad en espacios activos pequeños (CAS(6,6)) a un factor de $\sim 200\times$ en CAS(14,20).
• Optimalidad de Pareto: En 13 de los 18 sistemas, HI-NQS fue Pareto-dominante, utilizando menos determinantes mientras alcanzaba una precisión igual o mejor que CIPSI-SCI.

Significancia y Reivindicaciones
El artículo afirma que HI-NQS establece un nuevo estándar para la interacción de configuración seleccionada puramente clásica, demostrando que un muestreador generativo con un sesgo inductivo ajustado a la estructura de espín fermiónico puede superar a los métodos de SCI ordenados por perturbación en cuanto a la compacidad de la base. Los autores sostienen que la brecha entre la configuración seleccionada y los estados cuánticos neuronales es una cuestión de arquitectura más que de principio. Al cerrar con éxito el bucle de retroalimentación entre el muestreo generativo y la diagonalización exacta, HI-NQS ofrece una solución escalable para la química cuántica fuertemente correlacionada que preserva una interfaz directa con futuros flujos de trabajo híbridos clásicos-cuánticos (por ejemplo, como un inicio cálido para la diagonalización cuántica). Los resultados sugieren que el método puede extenderse a espacios activos sustancialmente mayores, como los requeridos para la química de metales de transición (por ejemplo, cúmulos de Fe–S, Cr$_2$), donde la cola del determinante exhibe el crecimiento combinatorio más fuerte.