Determining the ensemble N-representability of Reduced Density Matrices

Sintesi Tecnica: Determinazione della N-rappresentabilità d'Insieme delle Matrici di Densità Ridotta

Definizione del Problema
Il problema della N-rappresentabilità è una sfida fondamentale nella teoria della struttura elettronica, riguardante le condizioni necessarie e sufficienti che una matrice di densità ridotta (p-RDM) a $p$-corpi deve soddisfare per essere derivabile da una funzione d'onda o da uno stato misto (ensemble) di $N$-elettroni. Sebbene siano stati fatti progressi significativi riguardo alla N-rappresentabilità dello stato puro, determinare la N-rappresentabilità d'insieme di una $p$-RDM rimane un ostacolo critico, particolarmente per applicazioni che coinvolgono miscele termiche, sistemi quantistici aperti e ensemble statistici. Verificare se una data $p$-RDM corrisponda a uno stato fisico di $N$-elettroni è computazionalmente intrattabile nel caso generale, appartenendo alla classe di complessità quantum Merlin-Arthur-completa. Le condizioni approssimate esistenti sono spesso insufficienti per sistemi fortemente correlati, e l'insieme completo di condizioni necessarie e sufficienti per le $p$-RDM (dove $p > 1$) rimane ignoto.

Metodologia
Questo lavoro propone un framework pratico per determinare la N-rappresentabilità d'insieme di una matrice $p$-corpi estendendo un algoritmo di evoluzione unitaria precedentemente sviluppato (pure ADAPT-VQA) al caso d'insieme. La metodologia centrale si basa su una strategia di purificazione:

1. Embedding di Purificazione: Seguendo il teorema di Schrödinger-Hughston-Jozsa-Wootters, un ensemble $\rho$ definito su uno spazio di Hilbert $\mathcal{H}_s$ viene incorporato in uno stato puro $|\Psi_{sb}\rangle$ definito su uno spazio di Hilbert esteso $\mathcal{H}_{sb} = \mathcal{H}_s \otimes \mathcal{H}_b$, dove $\mathcal{H}_b$ è uno spazio ausiliario. La purificazione è costruita in modo che $\rho = \text{Tr}_b(|\Psi_{sb}\rangle\langle\Psi_{sb}|)$, garantendo che le matrici di densità ridotte dello stato purificato riproducano quelle dell'ensemble originale.
2. Evoluzione Unitaria Variazionale: L'algoritmo impiega un algoritmo quantistico variazionale (VQA) adattivo basato su pseudo-Trotter derivativo (ADAPT). Esso applica iterativamente unità variazionali a uno stato purificato iniziale (costruito da uno stato iniziale a $N$-particelle $|\phi_0\rangle$ e dalla sua purificazione).
3. Pool di Operatori: L'evoluzione è guidata da un pool di operatori di eccitazione-deeccitazione antiermitiani adatto ai fermioni, limitato ai vincoli dell'ensemble canonico (nessuna variazione del numero di particelle nel sistema o nello spazio ausiliario). Questi operatori sono mappati in operatori di Pauli tramite la trasformazione di Jordan-Wigner, rendendo l'algoritmo adatto alla simulazione su computer quantistici.
4. Obiettivo di Ottimizzazione: L'algoritmo minimizza la distanza di Hilbert-Schmidt ($D$) tra la $p$-RDM dello stato purificato evoluto e una $p$-RDM target ($p\rho_{\text{target}}$).
   • Se l'algoritmo converge a una distanza $D_{\min} \approx 0$, il target è considerato N-rappresentabile d'insieme.
   • Se $D_{\min} > 0$, l'entità della distanza funge da misura quantitativa del grado di violazione della N-rappresentabilità.
   • Lo stato evoluto fornisce lo stato ridotto "più vicino" che sia fisicamente N-rappresentabile d'insieme rispetto al target difettoso.

Contributi Chiave

• Algoritmo Ensemble ADAPT-VQA: L'introduzione di un framework ibrido che estende gli algoritmi di rappresentabilità dello stato puro agli stati d'insieme tramite purificazione. Ciò consente all'algoritza di distinguere se un target di matrice origini da uno stato quantistico puro o da una miscela d'insieme.
• Correzione e Raffinamento dell'Errore: La metodologia offre una via per il raffinamento della matrice di densità, potendo correggere le matrici di densità ridotta d'insieme difettose (quelle che violano le condizioni di N-rappresentabilità) evolvendole verso lo stato fisico più vicino.
• Ricostruzione dello Stato Quantistico: L'algoritmo facilita la ricostruzione dello stato quantistico su computer quantistici, consentendo il recupero di una funzione d'onda compatibile o di uno stato purificato da una RDM target.
• Validazione Numerica: Il framework è validato attraverso simulazioni numeriche su sistemi modello e sistemi molecolari a temperatura finita, dimostrando la sua capacità di gestire 1-RDM e 2-RDM.

Risultati
Gli autori hanno validato l'algoritmo utilizzando simulazioni numeriche su un simulatore quantistico privo di rumore:

• Sistemi Modello (Temperatura Zero): I test sono stati condotti su sistemi a 4 elettroni con 3 e 4 orbitali.
  • Per le 1-RDM, l'algoritmo ha distinto con successo tra stati N-rappresentabili puri e d'insieme. Nei casi in cui le condizioni di N-rappresentabilità pura di Klyachko (condizioni di Pauli generalizzate) erano violate (stati misti), il pure ADAPT-VQA non è riuscito a convergere a una distanza zero, mentre l'ensemble ADAPT-VQA è converguto a $D_{\min} \approx 0$.
  • Per le 2-RDM, dove le complete condizioni di N-rappresentabilità pura sono ignote, l'algoritmo ha identificato correttamente la N-rappresentabilità d'insieme per tutti i target costruiti. Ha inoltre dimostrato la capacità di rilevare se una 2-RDM d'insieme potesse contrarsi in una 1-RDM pura.
  • Robustezza al Rumore: Introducendo rumore casuale alle matrici target, lo studio ha mostrato che $D_{\min}$ scala con l'intensità del rumore ($\epsilon$), confermando l'utilità dell'algoritmo per quantificare la gravità delle violazioni di N-rappresentabilità.
• Sistemi Molecolari (Temperatura Finita): L'algoritmo è stato applicato alle molecole $H_2$ e $H_3$ lineare a temperature finite. Le matrici target sono state costruite da stati termici di ensemble canonici e perturbate con rumore.
  • I risultati hanno indicato che la distanza convergente $D_{\min}$ è più sensibile al rumore aggiunto ($\epsilon$) che alle caratteristiche di correlazione intrinseche dello stato privo di rumore sottostante.
  • All'aumentare del rumore, $D_{\min}$ è aumentata significativamente (raggiungendo ad esempio $\sim 10^1$ per le 2-RDM con $\epsilon=0.1$), dimostrando la capacità dell'algoritmo di rilevare e quantificare i difetti di rappresentabilità in scenari molecolari realistici.

Significatività
Il documento afferma che questo lavoro fornisce un framework pratico e robusto per affrontare il problema della N-rappresentabilità d'insieme, una sfida che è stata storicamente computazionalmente intrattabile. Sfruttando la purificazione e gli algoritmi quantistici variazionali, il metodo proposto offre una duplice capacità: può classificare la natura di una data RDM (pura vs ensemble) e correggere le matrici difettose per imporre vincoli fisici. Ciò è significativo per migliorare l'accuratezza dei calcoli di chimica quantistica, in particolare per sistemi elettronici fortemente correlati e applicazioni a temperatura finita. Gli autori sottolineano che l'algoritmo è compatibile con l'hardware quantistico, offrendo una via per il raffinamento della matrice di densità e la ricostruzione dello stato quantistico nelle future simulazioni quantistiche.