Low-rank eigenvalue solvers for block-sparse matrix product states

1. Il Problema

Il lavoro affronta la risoluzione numerica delle equazioni di Schrödinger per sistemi quantistici fermionici, in particolare per la chimica quantistica. L'obiettivo è trovare gli autovalori (energie) e gli autovettori (funzioni d'onda) dell'operatore Hamiltoniano $H$.

Le sfide principali identificate sono:

• Dimensionalità: La rappresentazione diretta delle funzioni d'onda in uno spazio a $N$ particelle porta a una dimensionalità esponenziale (il "curse of dimensionality").
• Antisimmetria: Le funzioni d'onda fermioniche devono essere antisimmetriche rispetto allo scambio di coordinate delle particelle.
• Conservazione del numero di particelle: È necessario risolvere il problema di autovalori in un sottospazio specifico che conserva il numero di particelle $N$. Questo vincolo impone una struttura di sparsità a blocchi nelle rappresentazioni tensoriali.
• Limitazioni dei metodi esistenti: L'algoritmo più diffuso, il Density Matrix Renormalization Group (DMRG), è un metodo di minimizzazione alternata che spesso manca di garanzie di convergenza teorica e può fallire a causa della struttura globale degli autovettori.

2. Metodologia

Gli autori propongono un risolutore di autovalori iterativo basato su Preconditioned Inverse Iteration (PINVIT) adattato per formati tensoriali a basso rango, specificamente gli Matrix Product States (MPS), noti anche come Tensor Trains.

I pilastri metodologici sono:

• Rappresentazione MPS a Sparsità a Blocchi:
  Sfruttando la conservazione del numero di particelle, gli MPS vengono costruiti con una struttura di blocchi specifici (diagonali o fuori diagonale) che riduce drasticamente il costo computazionale e la memoria, evitando di imporre esplicitamente l'antisimmetria a livello di tensori, ma gestendola attraverso la struttura dei blocchi.

• Precondizionamento Inverso:
  Il metodo utilizza un'iterazione inversa precondizionata per l'equazione generalizzata degli autovalori. Viene introdotto uno shift $\gamma$ per rendere l'Hamiltoniano $H_\gamma = H + \gamma I$ definito positivo.
  Un precondizionatore $S$ viene costruito approssimando $H_\gamma^{-1/2}$ utilizzando somme esponenziali (basate sulla quadratura sinc). Questo precondizionatore è esso stesso rappresentato come un operatore a basso rango (MPO - Matrix Product Operator) che preserva la struttura a blocchi.

• Iterazione con Troncamento di Rango:
  Poiché l'applicazione degli operatori (Hamiltoniano e precondizionatore) aumenta il rango degli MPS, il metodo integra un passo di troncamento del rango (rank truncation) dopo ogni iterazione.
  La strategia chiave è un ciclo "interno-esterno":

  1. Iterazione Interna: Riduce l'errore di approssimazione dell'autovettore usando PINVIT inexact (con residui approssimati).
  2. Iterazione Esterna: Esegue un troncamento del rango su una tolleranza adattiva per controllare la complessità computazionale, garantendo che il rango rimanga vicino all'ottimo teorico per una data accuratezza.

• Controllo dell'Errore A Posteriori:
  Vengono derivati bound rigorosi per l'errore dell'autovalore e dell'autovettore basati sul residuo e sul gap spettrale, permettendo criteri di arresto adattivi senza conoscere la soluzione esatta.

3. Contributi Chiave

1. Garanzie di Convergenza: A differenza del DMRG, il metodo proposto offre garanzie teoriche di convergenza (in termini di angolo $H^1$ rispetto al vero autospazio) per valori iniziali sufficientemente buoni.
2. Analisi dei Ranghi: Viene stabilita una relazione quasi-ottimale tra l'errore di approssimazione e i ranghi degli MPS generati. Il numero di ranghi necessari è limitato dalla funzione del "miglior approssimante" (best approximation rank) per quella specifica accuratezza.
3. Precondizionatore a Basso Rango: Costruzione di un precondizionatore efficiente per problemi di seconda quantizzazione che preserva la struttura a blocchi e non richiede la rappresentazione esplicita di operatori densi.
4. Generalizzazione a Sottospazi: Estensione del metodo all'approssimazione simultanea di più autospazi (più autovalori) utilizzando una rappresentazione tensoriale congiunta (block tensor train), mantenendo l'efficienza computazionale.
5. Analisi di Complessità: Stime teoriche sulla complessità computazionale che mostrano una dipendenza logaritmica dal numero di orbitali $K$ e linearità o quasi-linearità rispetto al numero di particelle e alla precisione richiesta.

4. Risultati Numerici

Gli esperimenti sono stati condotti su modelli di sistemi fermionici in uno spazio unidimensionale con potenziali di Coulomb-like e interazioni non lisce.

• Convergenza: Il metodo dimostra una convergenza rapida e stabile sia per il caso di un singolo autovettore ($D=1$) che per la ricerca simultanea di più autovettori ($D=4$).
• Efficienza dei Ranghi: I test mostrano che l'approccio "interno-esterno" (con troncamento periodico) produce approssimazioni con ranghi significativamente più bassi rispetto all'uso di sole iterazioni interne senza troncamento controllato.
• Scalabilità: Il metodo mantiene prestazioni favorevoli anche per un numero elevato di orbitali ($K=30$), confermando la capacità di gestire la complessità esponenziale attraverso la compressione tensoriale.
• Accuratezza: Sono stati raggiunti errori relativi sugli autovalori dell'ordine di $10^{-10}$, con stime di errore a posteriori che coincidono strettamente con l'errore reale.

5. Significato e Impatto

Questo lavoro è significativo per diversi motivi:

• Teorico: Colma un divario tra l'uso pratico di MPS in chimica quantistica e la teoria numerica rigorosa, fornendo le prime garanzie di convergenza e bound sui ranghi per solutori di autovalori in questo formato con vincoli di conservazione del numero di particelle.
• Pratico: Offre un'alternativa robusta al DMRG per problemi dove la convergenza di quest'ultimo non è garantita, specialmente per stati eccitati o quando è richiesta un'alta precisione controllata.
• Generale: La struttura dell'analisi (combinazione di iterazione inversa precondizionata e troncamento adattivo) può essere applicata ad altre equazioni alle derivate parziali lineari e non lineari in formati tensoriali, rendendo il contributo rilevante anche al di fuori della fisica quantistica.

In sintesi, gli autori hanno sviluppato un algoritmo matematicamente solido che combina l'efficienza computazionale delle reti tensoriali con la robustezza dei metodi iterativi classici, risolvendo efficacemente il problema della conservazione del numero di particelle e offrendo garanzie di accuratezza e complessità.