Foundation Neural Effective Hamiltonian for Strongly Correlated Quantum Materials

Resumen Técnico: Hamiltoniano Efectivo Neuronal de Base para Materiales Cuánticos Fuertemente Correlacionados

Planteamiento del Problema
Simular materiales cuánticos fuertemente correlacionados a menudo requiere resolver no un único Hamiltoniano, sino una familia de Hamiltonianos parametrizados por acoplamientos ajustables (por ejemplo, la fuerza de interacción, presión, dopaje o campos externos). Si bien los Estados Cuánticos Neuronales (NQS) han surgido como ansatzes variacionales precisos, y los Estados Cuánticos Neuronales de Base (FNQS) ofrecen una vía para amortizar los cálculos a través de variedades de parámetros al entrenar un único modelo en un rango de acoplamientos, estos enfrentan dos limitaciones críticas:

1. Degradación de la Precisión: Las predicciones de FNQS pueden volverse frágiles cerca de transiciones de fase, cruces de niveles o regiones con cambios bruscos en los patrones de correlación, identificando erróneamente las fronteras de fase.
2. Costos de Muestreo: Evaluar múltiples acoplamientos objetivo con FNQS requiere típicamente un muestreo de Monte Carlo repetido para cada punto, lo que genera costos computacionales que crecen linealmente con el número de Hamiltonianos objetivo.

Por el contrario, los métodos de subespacio tradicionales como la Continuación de Eigenvectores (EC) construyen subespacios compactos a partir de autoestados para reconstruir estados cercanos de manera eficiente. Sin embargo, la construcción de estos subespacios usualmente requiere cálculos de muchos cuerpos costosos e independientes para cada estado base, lo cual no escala bien para sistemas grandes o escaneos densos de parámetros.

Metodología: Hamiltoniano Efectivo Neuronal de Base (FNEH)
Los autores introducen el Hamiltoniano Efectivo Neuronal de Base (FNEH), un marco que proyecta una familia de Hamiltonianos sobre un subespacio compacto definido por funciones de onda de FNQS muestreadas en acoplamientos seleccionados. El método opera de la siguiente manera:

1. Entrenamiento del Modelo de Base: Se entrena un FNQS sobre una variedad de parámetros $\Lambda_{train}$ utilizando una función de pérdida que minimiza el valor de la esperanza de la energía a través de puntos de entrenamiento seleccionados. La arquitectura (basada en Psiformer) incrusta los parámetros del Hamiltoniano como características junto con las coordenadas de los electrones para producir amplitudes de la función de onda condicional $\Psi(\lambda, R)$.
2. Construcción del Subespacio: En lugar de optimizar una nueva función de onda para cada acoplamiento objetivo, el FNEH selecciona un conjunto de $N_{state}$ estados base $\{|\Psi(\lambda_i)\rangle\}$ a partir del FNQS preentrenado en puntos de parámetros específicos.
3. Formulación del Hamiltoniano Efectivo: Para un Hamiltoniano lineal en parámetros, $\hat{H}(\lambda) = \sum_k \lambda_k \hat{h}_k$, el método construye matrices independientes de los parámetros $\hat{A}_k$:
   $$\hat{A}_k = \hat{S}^{-1} \tilde{h}_k$$
   donde $\tilde{h}_k$ y $\hat{S}$ son la matriz del operador y la matriz de solapamiento (overlap), respectivamente, computadas entre los estados base. El Hamiltoniano efectivo para cualquier $\lambda$ objetivo se reconstruye entonces como $\hat{H}_{FNEH}(\lambda) = \sum_k \lambda_k \hat{A}_k$.
4. Muestreo de Estado de Determinante (DSS): Para computar los elementos de la matriz de manera eficiente y evitar la amplificación del ruido estadístico asociada a la inversión de la matriz de solapamiento $\hat{S}$, los autores emplean el Muestreo de Estado de Determinante. Esto implica muestrear configuraciones de electrones extendidas de la distribución de probabilidad del determinante de la matriz del estado base, lo que permite la estimación estable de $\hat{A}_k$.
5. Mejora Variacional: Una vez que las matrices son muestreadas, el estado fundamental para cualquier $\lambda$ objetivo se encuentra mediante la diagonalización de la pequeña matriz $N_{state} \times N_{state}$ $\hat{H}_{FNEH}(\lambda)$. Esto combina variacionalmente los estados base del FNQS para mejorar la aproximación más allá de cualquier estado base individual.

Contribuciones Clave

• Marco Híbrido: FNEH integra la transferibilidad de los modelos de base con la precisión variacional de los métodos de proyección de subespacio. No requiere una optimización adicional específica para el objetivo; los estados base se generan puramente mediante inferencia a partir del FNQS preentrenado.
• Resolución de Transiciones de Fase: Al combinar variacionalmente estados base de diferentes regiones de parámetros, FNEH puede recuperar ramas de estado fundamental y fronteras de fase que el modelo de base subyacente identifica erróneamente o suaviza.
• Eficiencia Computacional: El método desacopla el paso de muestreo costoso (realizado una vez para construir $\hat{A}_k$) del barrido de parámetros. Las evaluaciones subsecuentes de acoplamientos, observables y fronteras de fase escalan solo con la pequeña dimensión del Hamiltoniano efectivo, en lugar del tamaño del sistema o el número de puntos objetivo.

Resultos
Los autores demuestran FNEH en un modelo de continuo de electrones interactuantes en un potencial de moiré, una plataforma conocida por sus ricas fases fuertemente correlacionadas y topológicas.

• Precisión: En la comparación con una "referencia óptima" (NQS optimizado por separado para cada punto) y la Diagonalización Exacta (ED), FNEH supera significativamente al FN_raw. Específicamente, en un régimen donde el FNQS predice incorrectamente una fase de Onda de Densidad de Carga (CDW), FNEH recupera correctamente la fase de Líquido de Fermi (FL) y la ubicación correcta de la frontera de fase (por ejemplo, cerca de $\phi \approx 40.2^\circ$).
• Reducción de Energía: FNEH reduce sistemáticamente la energía variacional en comparación con la predicción de un solo FNQS, con mejoras de hasta $\approx 0.1$ meV por electrón en las regiones probadas.
• Escaneos de Alta Resolución: El método permite realizar rápidos escaneos multidimensionales de fases (por ejemplo, sobre la fuerza del potencial $V_0$ y la fase $\phi$). Las superficies de energía potencial resultantes resuelven claramente las transiciones agudas de CDW a FL que aparecen difuminadas en las predicciones del FNQS bruto.
• Reducción de Costos: El análisis de tiempo computacional muestra que mientras el costo de los métodos FNQS y de referencia óptima crece linealmente con el número de estados objetivo, el costo de FNEH permanece aproximadamente constante después de la construcción inicial de la matriz. FNEH es más eficiente que el FNQS cuando se escanean más de $\approx 12$ estados objetivo.

Significado
El artículo afirma que FNEH abre una nueva vía para estudiar materiales cuánticos fuertemente correlacionados utilizando modelos de base. Al transformar el FNQS de un predictor condicionado por parámetros en un marco de Hamiltoniano variacional reutilizable, aborda los desafíos dobles de la precisión cerca de las transiciones de fase y la escala de los costos de muestreo. Los autores enfatizan que este enfoque es ampliamente aplicable a diversas familias de Hamiltonianos (fermiones de red, espines, moléculas) y proporciona una ruta general hacia la simulación eficiente de muchos cuerpos basada en modelos de base sin el costo prohibitivo de las optimizaciones o el muestreo completo repetido para cada parámetro objetivo.