Shadow tomography for classical tensor network simulations

Résumé Technique : Tomographie d'Ombre pour les Simulations de Réseaux de Tenseurs Classiques

Énoncé du Problème
Les méthodes de réseaux de tenseurs (TN) sont centrales pour la simulation des systèmes quantiques à plusieurs corps sur des ordinateurs classiques. Cependant, un goulot d'étranglement computationnel important surgit lors de l'évaluation des observables physiques, particulièrement lorsque le nombre de quantités pertinentes est élevé. Cela inclut le calcul de ensembles complets de fonctions de corrélation spatiale, de matrices de densité réduites (RDM), ou de valeurs d'attente d'Hamiltoniens à interactions à longue portée (par exemple, les modèles de Heisenberg à longue portée ou les Hamiltoniens de chimie quantique ab initio).

Les approches standards font face à des limitations de mise à l'échelle :

1. Contraction Directe : Nécessite l'évaluation séparée des valeurs d'attente pour chaque observable, ce qui conduit à un coût proportionnel au nombre d'observables ($O(N^k)$ pour les $k$-RDM).
2. Monte Carlo Standard (MC) : Échantillonne des configurations à partir de la distribution de Born. Bien qu'il utilise des contractions à une seule couche, il nécessite une évaluation d'amplitude séparée pour les termes d'opérateurs généraux non diagonaux. Le coût total évolue avec le nombre d'observables et la variance de l'estimateur, entraînant souvent une mise à l'échelle de $O(N)$ à $O(N^3)$ selon le système et la tâche.

La question centrale abordée est de savoir si un échantillon unique peut contenir simultanément des informations sur de nombreuses observables, réduisant ainsi la complexité de l'échantillonnage, de manière similaire au concept de tomographie d'ombre (shadow tomography) en informatique quantique.

Méthodologie
Les auteurs adaptent des idées de la tomographie d'ombre à la simulation de réseaux de tenseurs classiques dans le cadre du Monte Carlo variationnel. Ils proposent trois stratégies spécifiques adaptées aux exigences de contraction des TN :

1. Ombre de Pauli (Systèmes de Spins/Bosoniques) :

   • Adapte la méthode de l'ombre classique (Huang, Kueng, Preskill) aux systèmes de spins.
   • Mécanisme : Applique des unitaires de Clifford locales aléatoires au état TN et effectue des « mesures » via l'échantillonnage de Metropolis-Hastings des états produits résultants.
   • Efficacité : Un échantillon unique fournit un estimateur sans biais pour tous les opérateurs de Pauli locaux simultanément. Pour les observables $k$-locales avec un $k$ fixé, cela compresse l'information de telle sorte que la $k$-RDM complète est estimée avec une variance de $O(1)$ par échantillon.

2. Ombre de Base Arc-en-Ciel (Systèmes Fermioniques) :

   • Traite la non-localité des opérateurs fermioniques (chaînes de Jordan-Wigner) qui rend les ombres de Pauli standards inefficaces.
   • Mécanisme : Utilise des opérateurs de fermions de Majorana et groupe les en sous-ensembles mutuellement commutants basés sur des motifs « arc-en-ciel » (appariement des sites $i$ et $j$ tel que $i+j=r$).
   • Mesure : Échantillonne à partir d'une base d'états de paires de Bell à deux sites de longue portée (et d'états d'occupation locaux) disposés selon un motif arc-en-ciel.
   • Efficacité : Atteint une mise à l'échelle quasi-optimale pour l'estimation des $k$-RDM fermioniques en divisant les chaînes $O(N^{2k})$ en $O(N^k)$ sous-ensembles commutants.

3. Ombre d'Échantillonnage de Bell (Systèmes Fermioniques) :

   • Conçue spécifiquement pour les observables scalaires qui sont des fonctions linéaires de la $k$-RDM (par exemple, les valeurs d'attente de l'Hamiltonien).
   • Mécanisme : Effectue des mesures de Bell conjointes sur deux réplicas : l'état cible $|\psi\rangle$ et un état auxiliaire $|\sigma\rangle$.
   • État Auxiliaire : $|\sigma\rangle$ est choisi comme un déterminant de Slater avec des éléments de 1-RDM à décroissance exponentielle pour garantir que le dénominateur de l'estimateur reste bien élevé.
   • Efficacité : Exploite la structure des Hamiltoniens ab initio (interactions à décroissance exponentielle) pour obtenir des améliorations significatives de la mise à l'échelle pour l'estimation de l'énergie totale.

Contributions Clés et Améliorations de Mise à l'Échelle
L'article démontre que ces estimateurs d'ombre offrent des améliorations asymptotiques substantielles par rapport aux approches standard, résumées comme suit (où $N$ est la taille du système) :

• Systèmes de Spins (Ombre de Pauli) :
  • Estimation de la $k$-RDM : Améliore la mise à l'échelle de $O(N^k)$ à $O(N)$.
  • Hamiltonien à longue portée : Améliore la mise à l'échelle de $O(N)$ à $O(1)$ (pour une erreur relative fixée).
• Systèmes Fermioniques (Ombres de Base Arc-en-Ciel/Bell) :
  • Estimation de la 2-RDM : L'ombre de base arc-en-ciel améliore la mise à l'échelle de $O(N^4)$ à $O(N^2)$ (ou $O(N \log^2 N)$ avec optimisation).
  • Hamiltonien à longue portée : L'ombre d'échantillonnage de Bell améliore la mise à l'échelle de $O(N^3)$ à $O(1)$ (pour une erreur relative fixée).
• Réutilisation de l'Environnement : Les auteurs notent que l'application de stratégies standard de réutilisation de l'environnement (réutilisation des environnements locaux pour de multiples contractions) réduit davantage le coût de toutes les méthodes par un facteur de $O(N)$, atteignant une mise à l'échelle globale optimale de $O(1)$ pour l'évaluation de l'Hamiltonien avec une erreur relative fixée pour les systèmes de spins et fermioniques.

Résultats Numériques
Les auteurs valident leurs mises à l'échelle théoriques en utilisant :

1. Modèle de Heisenberg à longue portée 2D (Spin) :
   • La variance d'énergie du MC standard évolue en $O(N^2)$, tandis que l'ombre de Pauli évolue en $O(N)$.
   • La variance du gradient pour le MC standard évolue en $O(N^3)$, tandis que l'ombre de Pauli (avec troncature du gradient) évolue en $O(N)$.
2. Chaîne d'Hydrogène Ab Initio (Fermionique) :
   • La variance d'énergie du MC standard évolue en $O(N^4)$, tandis que l'ombre d'échantillonnage de Bell évolue en $O(N)$.

Dans les simulations variationnelles d'état fondamental (optimisation des paramètres de tenseurs), les estimateurs d'ombre démontrent des performances supérieures pour les tailles de systèmes plus grandes (par exemple, des réseaux $16 \times 16$) par rapport au MC standard, qui bénéficie du principe de variance nulle uniquement dans les petits systèmes ou à proximité des états propres.

Signification et Revendications
L'article affirme que les estimateurs d'ombre servent de nouvel outil algorithmique pour les simulations de réseaux de tenseurs classiques, réduisant efficacement le « goulot d'étranglement de l'évaluation des observables » lorsque le nombre d'observables pertinentes est élevé.

• Stabilité : Contrairement au MC standard, les estimateurs d'ombre fournissent des estimateurs de gradient à variance bornée, conduisant à une optimisation variationnelle plus stable, particulièrement pour les grands systèmes.
• Utilité Transversale : Ce travail illustre comment des idées développées pour l'information quantique (tomographie d'ombre) peuvent améliorer les algorithmes de systèmes à plusieurs corps classiques, jetant un pont entre la théorie de l'information quantique et la simulation de réseaux de tenseurs.
• Avantage Pratique : Les auteurs démontrent que des avantages pratiques sont déjà atteignables pour les simulations de l'état fondamental de TN variationnels de systèmes avec des interactions à longue portée, surpassant les méthodes MC existantes dans le régime des grands systèmes.

Les auteurs restent modestes concernant l'état auxiliaire $\sigma$ dans la méthode d'échantillonnage de Bell, notant que l'optimisation de son choix pour des systèmes ab initio plus complexes et de plus haute dimension est une direction future clé. Ils reconnaissent également que, bien que les estimateurs d'ombre perdent le principe de variance nulle du MC standard à proximité des états propres, leur amélioration de mise à l'échelle et la stabilité du gradient compensent cela dans les simulations à grande échelle.