Shadow tomography for classical tensor network simulations

Resumen Técnico: Tomografía de Sombras para Simulaciones de Redes de Tensores Clásicas

Planteamiento del Problema
Los métodos de redes de tensores (TN) son fundamentales para simular sistemas de muchos cuerpos cuánticos en computadoras clásicas. Sin embargo, surge un cuello de botella computacional significativo en la evaluación de observables físicos, particularmente cuando el número de cantidades relevantes es grande. Esto incluye el cálculo de conjuntos completos de funciones de correlación espacial, matrices de densidad reducida (RDM) o valores de expectativa de Hamiltonianos de interacciones de largo alcance (por ejemplo, modelos de Heisenberg de largo alcance o Hamiltonianos de química cuántica ab initio).

Los enfoques estándar enfrentan limitaciones de escalabilidad:

1. Contracción Directa: Requiere evaluar los valores de expectativa por separado para cada observable, lo que conduce a un costo proporcional al número de observables ($O(N^k)$ para $k$-RDMs).
2. Monte Carlo Estándar (MC): Muestrea configuraciones de la distribución de Born. Aunque utiliza contracciones de una sola capa, requiere una evaluación de amplitud separada para términos de operadores generales no diagonales. El costo total escala con el número de observables y la varianza del estimador, resultando a menudo en un escalamiento de $O(N)$ a $O(N^3)$ dependiendo del sistema y la tarea.

La pregunta central abordada es si una sola muestra puede contener simultáneamente información sobre muchos observables, reduciendo así la complejidad de muestreo, de manera similar al concepto de tomografía de sombras en computación cuántica.

Metodología
Los autores adaptan ideas de la tomografía de sombras a las simulaciones de redes de tensores clásicas dentro del marco de Monte Carlo variacional. Proponen tres estrategias específicas adaptadas a los requisitos de contracción de las TN:

1. Sombra de Pauli (Sistemas de Espín/Bosónicos):

   • Adapta el método de sombra clásica (Huang, Kueng, Preskill) a sistemas de espín.
   • Mecanismo: Aplica unitarias de Clifford locales aleatorias al estado de la TN y realiza "mediciones" mediante el muestreo de Metropolis-Hastings de los estados producto resultantes.
   • Eficiencia: Una sola muestra proporciona un estimador insesgado para todos los operadores de Pauli locales simultáneamente. Para observables $k$-locales con $k$ fijo, esto comprime la información de tal manera que la RDM completa de $k$ se estima con una varianza de $O(1)$ por muestra.

2. Sombra de Base Arcoíris (Sistemas Fermiónicos):

   • Aborda la no localidad de los operadores fermiónicos (cuerdas de Jordan-Wigner) que hace que las sombras de Pauli estándar sean ineficientes.
   • Mecanismo: Utiliza operadores de fermiones de Majorana y agrupa operadores en subconjuntos mutuamente conmutantes basados en patrones "arcoíris" (emparejando sitios $i$ y $j$ tales que $i+j=r$).
   • Medición: Muestrea de una base de estados de pares de Bell de dos sitios de largo alcance (y estados de ocupación local) dispuestos en un patrón de arcoíris.
   • Eficiencia: Logra un escalamiento casi óptimo para estimar las $k$-RDMs fermiónicas al dividir las $O(N^{2k})$ cuerdas en $O(N^k)$ subconjuntos conmutantes.

3. Sombra de Muestreo de Bell (Sistemas Fermiónicos):

   • Diseñada específicamente para observables escalares que son funciones lineales de la $k$-RDM (por ejemplo, valores de expectativa de un Hamiltoniano).
   • Mecanismo: Realiza mediciones de Bell conjuntas en dos réplicas: el estado objetivo $|\psi\rangle$ y un estado auxiliar $|\sigma\rangle$.
   • Estado Auxiliar: $|\sigma\rangle$ se elige como un determinante de Slater con elementos de 1-RDM que decaen exponencialmente para asegurar que el denominador en el estimador se mantenga bien comportado.
   • Eficiencia: Explota la estructura de los Hamiltonianos ab initio (interacciones de decaimiento exponencial) para lograr mejoras significativas en el escalamiento para la estimación de la energía total.

Contribuciones Clave y Mejoras de Escalamiento
El artículo demuestra que estos estimadores de sombra ofrecen mejoras asintóticas sustancialas sobre los enfoques estándar, resumidas como sigue (donde $N$ es el tamaño del sistema):

• Sistemas de Espín (Sombra de Pauli):
  • Estimación de $k$-RDM: Mejora el escalamiento de $O(N^k)$ a $O(N)$.
  • Hamiltoniano de Largo Alcance: Mejora el escalamiento de $O(N)$ a $O(1)$ (para un error relativo fijo).
• Sistemas Fermiónicos (Sombras de Base Arcoíris/Bell):
  • Estimación de 2-RDM: La sombra de base arcoíris mejora el escalamiento de $O(N^4)$ a $O(N^2)$ (o $O(N \log^2 N)$ con optimización).
  • Hamiltoniano de Largo Alcance: La sombra de muestreo de Bell mejora el escalamiento de $O(N^3)$ a $O(1)$ (para un error relativo fijo).
• Reutilización de Entorno: Los autores señalan que aplicar estrategias estándar de reutilización de entorno (reutilizar entornos locales para múltiples contracciones) reduce aún más el costo de todos los métodos por un factor de $O(N)$, logrando un escalamiento total óptimo de $O(1)$ para la evaluación de la energía de un Hamiltoniano para sistemas tanto de espín como fermiónicos.

Resultados Numéricos
Los autores validan sus escalamientos teóricos utilizando:

1. Modelo de Heisenberg de Largo Alcance 2D (Espín):
   • La varianza de la energía de MC estándar escala como $O(N^2)$, mientras que la sombra de Pauli escala como $O(N)$.
   • La varianza del gradiente para MC estándar escala como $O(N^3)$, mientras que la sombra de Pauli (con truncamiento de gradiente) escala como $O(N)$.
2. Cadena de Hidrógeno Ab Initio (Fermiónico):
   • La varianza de la energía de MC estándar escala como $O(N^4)$, mientras que la sombra de muestreo de Bell escala como $O(N)$.

En las simulaciones variacionales de estado fundamental (optimizando los parámetros del tensor), los estimadores de sombra demuestran un rendimiento superior para tamaños de sistema más grandes (por ejemplo, redes de $16 \times 16$) en comparación con el MC estándar, el cual se beneficia del principio de varianza cero solo en sistemas pequeños o cerca de los autoestados.

Significancia y Reivindicaciones
El artículo afirma que los estimadores de sombra sirven como una nueva herramienta algorítmica para las simulaciones de redes de tensores clásicas, reduciendo efectivamente el "cuello de botella de la evaluación de observables" cuando el número de observables relevantes es grande.

• Estabilidad: A diferencia del MC estándar, los estimadores de sombra proporcionan estimadores de gradiente con varianza acotada, lo que conduce a una optimización variacional más estable, particularmente para sistemas grandes.
• Utilidad Transversal de Dominios: El trabajo ilustra cómo las ideas desarrolladas para la información cuántica (tomografía de sombras) pueden mejorar los algoritmos de muchos cuerpos clásicos, uniendo la teoría de la información cuántica y la simulación de redes de tensores.
• Ventaja Práctica: Los autores demuestran que las ventajas prácticas ya son alcanzables para las simulaciones de estado fundamental de TN variacionales de sistemas con interacciones de largo alcance, superando a los métodos de MC existentes en el régimen de sistemas grandes.

Los autores mantienen la modestia respecto al estado auxiliar $\sigma$ en el método de muestreo de Bell, señalando que la optimización de su elección para sistemas ab initio más complejos y de mayor dimensión es una dirección futura clave. También reconocen que, aunque los estimadores de sombra pierden el principio de varianza cero del MC estándar cerca de los autoestados, su mejor escalamiento y estabilidad de gradiente compensan esto en las simulaciones a gran escala.