Learning the closest Slater determinant

Resumen Técnico: Aprendizaje del Determinante de Slater más Cercano

Definición del Problema
El artículo aborda la tarea fundamental de encontrar el determinante de Slater que maximiza la fidelidad con un estado cuántico de $n$-fermiones arbitrario $\rho$ (puro o mixto) definido sobre $m$ modos fermiónicos. Formalmente, dado un estado $\rho$ y una tolerancia de error $\epsilon > 0$, el objetivo es encontrar un determinante de Slater $|S\rangle \in \mathcal{S}$ tal que:
$$\langle S|\rho|S\rangle \geq \text{OPT} - \epsilon$$
donde $\text{OPT} = \max_{|S\rangle \in \mathcal{S}} \langle S|\rho|S\rangle$.

Este problema es distinto de la aproximación de Hartree-Fock, la cual minimiza los valores de expectativa de la energía sobre un Hamiltoniano; aquí, el estado objetivo $\rho$ es fijo y el objetivo es puramente geomético (maximizar la superposición). El problema es inherentemente no convexo porque la variedad de los determinantes de Slater es no lineal, lo que plantea desafíos para los métodos de optimización heurística como el ascenso de gradiente, que pueden quedar atrapados en óptimos locales.

Metodología
Los autores proponen algoritmos tanto clásicos como cuánticos para resolver este problema, basándose en un procedimiento de tres etapas:

1. Estimación de la 1-RDM: El primer paso consiste en estimar la matriz de densidad reducida de una partícula (1-RDM), $\gamma_{ij} = \text{Tr}(c^\dagger_j c_i \rho)$.
   • En el entorno clásico, el algoritmo asume acceso de consulta eficiente a las amplitudes de una descripción clásica sucinta (por ejemplo, redes de tensores o estados cuánticos neuronales) y el muestreo eficiente de observables de pocos cuerpos.
   • En el entorno cuántico, el algoritmo asume el acceso a copias del estado $\rho$ y utiliza la tomografía cuántica (específicamente sombras clásicas fermiónicas) para estimar $\gamma$.
2. Truncamiento del Espacio Activo: La 1-RDM estimada $\hat{\gamma}$ se diagonaliza para obtener los orbitales naturales y sus ocupaciones. El algoritmo trunca el espacio de Hilbert a un "espacio activo" $\mathcal{A}$ que comprende los orbitales con ocupaciones por encima de un umbral ($\sim \epsilon/n$). Pruebas teóricas demuestran que restringir la búsqueda a este subespacio incurre en un error aditivo de, como máximo, $\epsilon/2$ (o similar) en la fidelidad, siempre que el error de estimación de la 1-RDM sea suficientemente pequeño. La dimensión de este espacio activo está acotada por $O(n^2/\epsilon)$.
3. Búsqueda Discretizada:
   • Algoritmo Clásico: El algoritmo construye una red de cobertura $\epsilon$ sobre la variedad de los determinantes de Slater construidos a partir del espacio activo. Enumera explícitamente esta red, evalúa la fidelidad para cada punto y devuelve el máximo.
   • Algoritmo Cuántico: El algoritmo emplea una rutina de Búsqueda de Umbral Cuántico (QTS) (basada en Badescu y O'Donnell) aplicada a los proyectores de la red de cobertura. Esto permite encontrar el mejor determinante de Slater con alta probabilidad utilizando un número de copias de $\rho$ que escala logarítmicamente con el tamaño de la red, en lugar de linealmente.

Resultos Clave y Complejidad
El artículo establece límites superiores (algoritmos) e iguala los límites inferiores (dureza) para el problema:

• Tiempo de Ejecución Clásico: El algoritmo clásico se ejecuta en un tiempo $m \cdot \text{poly}(n, 1/\epsilon)$. Específicamente, el tiempo de ejecución es exponencial en $n$ y $1/\epsilon$ (aproximadamente $\exp(O(\frac{n^3}{\epsilon} \log \frac{n}{\epsilon}))$) pero polinomial en el número de modos $m$.
• Complejidad de Muestreo Cuántico: El algoritmo cuántico requiere $\text{poly}(m, n, 1/\epsilon)$ copias de $\rho$. Sin embargo, el tiempo de ejecución sigue siendo exponencial en $n$ y $1/\epsilon$.
• Límites Inferiores de Dureza:
  • En $n$ (Número de Partículas): Asumiendo la Hipótesis del Tiempo Exponencial (ETH) y la dureza del problema del Clique Multicoloreado de $n$ colores, ningún algoritmo clásico puede resolver este problema en un tiempo $f(n)m^{o(n)}$. Esto implica que la dependencia exponencial en $n$ es esencialmente inevitable para los algoritmos clásicos.
  • En $1/\epsilon$ (Precisión): Asumiendo que $\text{NP} \not\subseteq \text{BPP}$ (clásico) o $\text{NP} \not\subseteq \text{BQP}$ (cuántico), ningún algoritmo puede resolver el problema en un tiempo polinomial en $1/\epsilon$. Esto se demuestra reduciendo el problema al problema de la separabilidad cuántica, que es conocido por ser NP-duro cuando el estado está cerca del límite de los estados separables.

Paisaje de Optimización y el Umbral de $2/3$
Una contribución teórica significativa es la caracterización del paisaje de optimización. Los autores demuestran una transición brusca en una fidelidad de $F = 2/3$:

• Por encima de $F = 2/3$: Si un determinante de Slater $|S\rangle$ es un punto estacionario de la función de fidelidad (que satisface una condición análoga a la condición de Brillouin en la teoría de Hartree-Fock) y tiene una fidelidad $F > 2/3$, se garantiza que es el máximo global único. En este régimen, el paisaje es "benigno" y no presenta puntos estacionarios espurios.
• Por debajo de $F = 2/3$: El paisaje puede contener puntos estacionarios espurios (óptimos locales) que no son globalmente óptimos. Los autores construyen estados "adversarios" donde existen puntos estacionarios arbitrariamente cerca de $F=2/3$ desde abajo, demostrando que el umbral de $2/3$ es agudo y no puede mejorarse para una garantía general e independiente del estado.

Validación Numérica
Los autores aplican su algoritmo clásico al modelo de Fermi-Hubbard:

• Extraen el determinante de Slater más cercano de los estados fundamentales obtenidos mediante diagonalización exacta y Estados Cuánticos Neuronales (NQS).
• Demuestran que el ascenso de gradiente simple, cuando se inicializa aleatoriamente, a menudo falla en alcanzar el máximo global a medida que el tamaño del sistema aumenta, quedando frecuentemente atrapado en óptimos locales con fidelidades muy por debajo del máximo global.
• Experimentos numéricos en varios conjuntos de estados (aleatorios, débilmente correlacionados, físicos) confirman que los puntos estacionarios espurios generalmente se encuentran por debajo del umbral de $2/3$, siendo el límite de $2/3$ ajustado solo para estados adversarios específicamente construidos.

Significancia
El artículo proporciona los primeros algoritmos con garantías de rendimiento rigurosas para aprender el determinante de Slater más cercano a un estado fermiónico arbitrario. Su significancia radica en:

1. Garantías Algorítmicas: Ofrecer soluciones probables para la tomografía agnóstica de estados fermiónicos, una tarea que anteriormente dependía de heurísticas sin garantías de convergencia.
2. Caracterización de la Complejidad: Establecer que el problema es computacionalmente difícil tanto en el número de partículas como en la precisión, estableciendo límites sobre lo que puede lograrse eficientemente de forma clásica o cuántica.
3. Perspectiva Geométrica: Identificar el umbral de fidelidad de $2/3$ como un punto de transición crítica donde la optimización local se vuelve globalmente fiable, proporcionando un criterio práctico para validar resultados de optimización en química cuántica y física de la materia condensada.
4. Utilidad Práctica: Demostrar la extracción de bases de orbitales naturales y estructuras de excitación partícula-hueco a partir de estados complejos de muchos cuerpos (como los representados por NQS), ayudando a la interpretabilidad de las simulaciones cuánticas.