Enhancing quantum-classical configuration interaction methods using a neural-network classifier

Sintesi Tecnica: Potenziamento dei Metodi di Interazione Configurazionale Quantum-Classica mediante un Classificatore a Rete Neurale

Problematica
I calcoli accurati della struttura elettronica richiedono metodi capaci di gestire la correlazione elettronica all'interno di spazi di Hilbert che crescono esponenzialmente con il numero di orbitali attivi. Sebbene l'Interazione Configurazionale Completa (FCI) fornisca soluzioni esatte, il suo costo computazionale la limita a sistemi molto piccoli. I metodi di Interazione Configurazionale Selezionata (SCI), come CIPSI, ASCI e Heat-Bath Configuration Interaction (HCI), offrono un compromesso costruendo iterativamente spazi variazionali compatti che contengono solo i determinanti più importanti. Tuttavia, l'efficienza dei metodi SCI dipende criticamente dagli euristiche utilizzate per identificare questi determinanti importanti. Man mano che lo spazio selezionato cresce, il numero di determinanti candidati da ispezionare diventa elevato, creando un collo di bottiglia.

Allo stesso modo, nel dominio del calcolo quantistico, i metodi di Diagonalizzazione Quantistica basata su Campionamento (SQD) tentano di risolvere il problema CI utilizzando dispositivi NISQ, costruendo uno subspace attraverso misurazioni quantistiche. Un limite significativo di SQD è la sua inefficienza nel scoprire nuovi determinanti; il campionamento ripetuto seleziona spesso le stesse configurazioni, specialmente quando si parte da un ansatz approssimativo, il che limita l'accuratezza del calcolo.

Metodologia
Gli autori propongono un framework guidato dai dati che rincascia la selezione dei determinanti come un compito di classificazione binaria, integrando un classificatore a rete neurale (NN) nei flussi di lavoro CI iterativi tramite un ciclo di apprendimento attivo (active-learning). Questo approccio è applicato a due algoritmi distinti: una variante classica di HCI (cHCI) e una variante quantistico-classica di SQD (cSQD).

La procedura centrale opera come segue ad ogni iterazione:

1. Generazione del Pool di Candidati: Il metodo sottostante genera un pool ($P$) di determinanti candidati (ad esempio, tramite screening heat-bath in HCI o recupero delle configurazioni in SQD).
2. Campionamento Casuale e Etichettatura: Una piccola frazione fissa ($f_s = 0.2$) del pool viene selezionata casualmente ($P_{rand}$). Viene formato uno spazio variazionale temporaneo combinando lo spazio attuale con $P_{rand}$. Una singola diagonalizzazione dell'Hamiltoniana in questo spazio temporaneo produce i coefficienti CI.
3. Assegnazione delle Etichette: Le configurazioni in $P_{rand}$ con ampiezze superiori a una soglia vengono etichettate come "importanti", mentre le altre sono etichettate come "non importanti". Ciò crea un dataset bilanciato per l'addestramento.
4. Addestramento del Classificatore: Un classificatore a rete neurale viene addestrato da zero su questo sottoinsieme etichettato per predire l'importanza delle configurazioni basandosi sulle loro stringhe di bit del numero di occupazione.
5. Selezione Guidata: Il classificatore addestrato valuta i restanti candidati nel pool ($P_{rest}$). Il successivo spazio variazionale viene costruito mantenendo le configurazioni etichettate come "importanti" da $P_{rand}$ e aggiungendo le configurazioni con il punteggio più alto da $P_{rest}$.

Questo framework modifica solo il passaggio di selezione dell'algoritmo, lasciando intatto il workflow principale (diagonalizzazione, campionamento, ecc.). Il classificatore si adatta continuamente mentre la funzione d'onda evolve durante il processo iterativo.

Contributi Chiave

• Framework Unificato: Il documento introduce un generale ciclo di apprendimento attivo che tratta la selezione dei determinanti come un problema di classificazione binaria, applicabile sia ai metodi SCI classici che a quelli quantistico-classici.
• Integrazione Algoritmica: Gli autori integrano con successo questo framework in due algoritmi specifici:
  • cHCI: Un metodo Heat-Bath Configuration Interaction potenziato da un classificatore.
  • cSQD: Un metodo di Sample-based Quantum Diagonalisation potenziato da un classificatore.
• Classificazione Basata su Bitstring: L'approccio utilizza reti neurali che operano direttamente sulle stringhe di bit del numero di occupazione, fornendo un'alternativa flessibile e indipendente dall'architettura rispetto ai tradizionali criteri perturbativi o basati sull'energia.

Risultati
Gli autori hanno testato i metodi proposti rispetto ai loro controparti tradizionali utilizzando lo stato fondamentale della molecola di azoto ($N_2$) a una distanza internucleare di equilibrio di $R = 2.1$ Å nel set di basi cc-pVDZ.

• Performance di cHCI: Il metodo cHCI ha recuperato oltre il 98% dell'energia di correlazione CASCI con una dimensione dello spazio variazionale che era solo 1/5 dello spazio HCI standard convergente. Ciò ha comportato una riduzione di circa 5 volte sia dell'impronta di memoria che del costo computazionale per iterazione (specificamente per la diagonalizzazione Davidson variazionale).
• Performance di cSQD: Il metodo cSQD ha dimostrato una convergenza significativamente accelerata rispetto allo standard SQD. cSQD ha raggiunto un errore relativo dell'energia di correlazione inferiore all'1% in sole 3 iterazioni. Al contrario, lo standard SQD non è riuscito a raggiungere tale soglia di accuratezza nemmeno dopo 20 iterazioni.
• Efficienza: La selezione basata sul classificatore ha efficacement ability di comprimere lo spazio variazionale senza sacrificare l'accuratezza, permettendo agli algoritmi di concentrare l'effort computazionale sulle configurazioni più rilevanti.

Significatività e Rivendicazioni
Il documento sostiene che la selezione dei determinanti assistita da classificatore funge da strumento leggero e indipendente dal metodo per comprimere gli spazi variazionali e accelerare sia gli algoritmi di interazione configurazionale classici che quelli ibridi quantistico-classici. Sostituendo l'euristica di selezione con un classificatore guidato dai dati addestrato "on-the-fly", il metodo raggiunge la parità di risultati con gli approcci tradizionali a costi computazionali sensibilmente inferiori.

Gli autori pongono questo lavoro come un primo passo verso una comprensione più completa della selezione assistita da classificatore. Notano che, sebbene lo studio attuale si concentri su un singolo sistema molecolare e sulla fase variazionale, il framework suggerisce un ruolo più ampio per il machine learning nella progettazione di rappresentazioni compatte della funzione d'onda e di workflow di struttura elettronica più efficienti. Il documento non pretende di risolvere il problema della scalabilità per tutti i sistemi universalmente, ma dimostra l'utilità dell'approccio per i casi specifici di cHCI e cSQD su $N_2$.