Solving Classical and Quantum Spin Glasses with Deep Boltzmann Quantum States

Sintesi Tecnica: Risoluzione di Vetri di Spin Classici e Quantistici con Stati Quantistici di Boltzmann Profondi

Enunciato del Problema
Risolvere i problemi dello stato fondamentale dei vetri di spin classici e quantistici rimane una sfida formidabile a causa della presenza di disordine congelato e frustrazione energetica. Questi fattori creano un paesaggio energetico accidentato caratterizzato da un numero esponenzialmente grande di minimi locali separati da barriere ad alta energia. Questa topologia ostacola l'efficienza dei metodi convenzionali di Monte Carlo basati su Metropolis (MCMC), che si affidano a regole di aggiornamento locale e faticano a sfuggire dalle trappole locali, portando a tempi di mescolamento esponenzialmente lenti. Sebbene gli Stati Quantistici Neurali (NQS) abbiano dimostrato successo nella risoluzione di problemi dello stato fondamentale per sistemi fortemente correlati, le implementazioni standard degli NQS si basano tipicamente su aggiornamenti locali di Metropolis, ereditando le inefficienze di campionamento degli MCMC nei sistemi vetrosi. Inoltre, l'hardware fisico di Ricottura Quantistica (QA) incontra limitazioni riguardanti il rumore, gli effetti di temperatura finita, la connettività limitata dei qubit e l'overhead di embedding, impedendo spesso la risoluzione di problemi di ottimizzazione combinatoria su larga scala o complessi.

Metodologia
Gli autori propongono un framework che combina un nuovo ansatz variazionale, gli Stati Quantistici di Boltzmann Profondi (DBQS), con un algoritmo di addestramento avanzato denominato Ricottura Quantistica Neurale (NQA).

1. Stati Quantistici di Boltzmann Profondi (DBQS):

   • Gli autori introducono gli Stati Quantistici di Boltzmann (BQS), un ansatz variazionale ispirato alle Macchine di Boltzmann Profonde (DBM). In questa formulazione, il sistema fisico viene esteso introducendo spin quantistici nascosti, interpretati come gradi di libertà quantistici non osservati.
   • Viene definita una funzione d'onda variazionale di tipo Jastrow su questo sistema ingrandito. Gli spin nascosti non contribuiscono direttamente all'energia ma codificano le correlazioni quantistiche tra gli spin fisici.
   • Crucialmente, l'architettura DBQS eredita la capacità di campionamento Gibbs a blocchi efficiente dalle DBM classiche. A differenza degli NQS standard che richiedono aggiornamenti locali di Metropolis, i DBQS permettono aggiornamenti globali in cui tutti gli spin di un livello vengono aggiornati simultaneamente. Ciò risulta in tempi di autocorrelazione che rimangono $O(1)$ all'aumentare della dimensione del sistema, offrendo un'accelerazione di almeno un ordine di grandezza rispetto alle regole di aggiornamento locale.
   • La formulazione semplifica i compiti computazionali: le derivate variazionali analitiche sono semplici prodotti di variabili di spin (evitando la retropropagazione) e gli operatori locali (come l'energia locale) si riducono a semplici moltiplicazioni di matrici.

2. Ricottura Quantistica Neurale (NQA):

   • Per affrontare la difficoltà di ottimizzare direttamente sull'Hamiltoniana target, gli autori adattano il framework della Ricottura Quantistica Variazionale (VQA).
   • Adiabaticità Rilassata: L'algoritmo interpola l'Hamiltoniana del problema da un regime facile (driver non interagenti) a un regime difficile (vetro di spin target) tramite un parametro $s$. A differenza dell'evoluzione adiabatica rigorosa, la NQA non richiede che il varietà variazionale approssimi da vicino lo stato adiabatico istantaneo ai tempi intermedi. Invece, utilizza la soluzione di un passo come "avvio caldo" per il successivo, compensando gli errori numerici nei passi successivi.
   • Miglioramenti dell'Ottimizzazione: L'algoritmo standard di Ricontigurazione Stocastica (SR) è potenziato con momento e ottimizzatori stocastici avanzati. Questa combinazione accelera la convergenza e stabilizza l'addestramento.
   • Catalizzatori: Il framework permette l'inclusione di un Hamiltoniana catalizzatore ($H_C$), specificamente un termine non-stoichiometrico ($\sum \sigma_y$), che può rimodellare il paesaggio energetico per mitigare le transizioni di fase del primo ordine e migliorare il campionamento, una funzionalità non disponibile sui ricottori quantistici attuali.
   • Catene Persistenti: L'algoritmo mantiene un insieme di catene di Markov persistenti durante tutto il programma di ricottura, riprendendole dai loro ultimi stati anziché ri-termalizzarle, migliorando ulteriormente l'efficienza.

Contributi Chiave

• Nuovo Ansatz: L'introduzione dei DBQS, che combina il potere espressivo delle reti neurali profonde con l'efficienza di campionamento delle catene Gibbs a blocchi, specificamente adattati per sistemi vetrosi.
• Framework Algoritmico: Lo sviluppo della NQA, che integra gradienti naturali con momento, condizioni di adiabaticità rilassata e campionamento Gibbs persistente per navigare paesaggi energetici accidentati.
• Efficienza Computazionale: Dimostrazione che il metodo proposto evita i colli di bottiglia computazionali della retropropagazione e del campionamento Metropolis locale, consentendo lo studio di sistemi con centinaia di spin.
• Ottimizzazione degli Iperparametri: L'uso dell'ottimizzazione automatizzata degli iperparametri (HPO) tramite Optuna per regolare i parametri rilevanti, evitando valori fissi arbitrari.

Risultati
Gli autori hanno messo alla prova il loro metodo su diversi problemi impegnativi:

• Modello Classico di Sherrington-Kirkpatrick (SK): Per $N=100$ e $N=200$ spin con interazioni a raggio infinito, i DBQS combinati con la NQA hanno raggiunto energie dello stato fondamentale esatte o quasi esatte. Nello specifico, per $N=200$, il metodo ha trovato lo stato fondamentale esatto in 8 casi su 10, superando l'ottimizzazione SR standard e i precedenti approcci NQS (cRBM, RBQS) che non sono riusciti a risolvere queste istanze entro il budget computazionale.
• Problema di Programmazione dei Lavori (JSSP): Il metodo è stato applicato alla versione decisionale del JSSP NP-difficile, riformulato come vetro di spin di Ising. Gli autori hanno risolto istanze con centinaia di spin (dopo la potatura delle variabili) che superano le capacità di embedding del ricottore quantistico D-Wave Advantage 2. Hanno trovato soluzioni esatte per 8 istanze su 10 testate.
• Modello SK con Campo Trasverso: Per vetri di spin quantistici con $N=100$ spin, il metodo ha identificato con successo gli stati fondamentali all'interno della fase vetro di spin. I risultati hanno mostrato che le migliori prove hanno converguto verso energie al di sotto dell'energia dello stato fondamentale classico, indicando la cattura riuscita degli effetti quantistici. Per $N=16$, il metodo ha corrisposto ai risultati della diagonalizzazione esatta.

Significato e Affermazioni
Il paper afferma che le architetture di reti neurali profonde dotate di regole di aggiornamento globale efficienti (DBQS) e addestrate all'interno di uno schema ispirato alla ricottura (NQA) forniscono un framework potente e flessibile per affrontare sia i problemi di vetri di spin classici che quantistici. Gli autori affermano che questo approccio permette l'investigazione di sistemi a molti corpi quantistici disordinati e la risoluzione di compiti reali di ottimizzazione combinatoria difficili a scale che superano i limiti attuali sia dei solutori classici esatti che dell'hardware di ricottura quantistica. Il lavoro posiziona questa metodologia come un'alternativa praticabile per lo studio di vetri di spin quantistici su larga scala e per la risoluzione di problemi NP-difficili dove gli euristiche tradizionali e i dispositivi quantistici fisici faticano. Gli autori notano che, sebbene l'approccio sia euristico e privo di garanzie teoriche rigorose sul tempo di soluzione, le sue prestazioni empiriche coerenti attraverso diversi benchmark suggeriscono che è un candidato promettente per applicazioni pratiche.