An Iterative Dual-Channel Neural Quantum State Algorithm for Selected Configuration Interaction

Sintesi Tecnica: Handover Iterative Neural Quantum State (HI-NQS) per la Selected Configuration Interaction

Problematica
Risolvere accuratamente l'equazione di Schrödinger elettronica per sistemi fortemente correlati è ostacolato dalla crescita esponenziale dello spazio delle configurazioni, rendendo la Full Configuration Interaction (FCI) intrattabile per tutti i casi tranne che per gli spazi attivi più piccoli. Gli algoritmi di Selected Configuration Interaction (SCI) affrontano questo problema costruendo adattivamente espansioni determinanti compatte. Tuttavia, la loro efficienza è limitata dalla qualità della strategia di campionamento utilizzata per identificare le configurazioni chimicamente importanti. I metodi esistenti affrontano colli di bottiglia specifici: le varianti SCI classiche (ad es. CIPSI) soffrono della crescita combinatoria dei pool di candidati e della scalabilità cubica nella diagonalizzazione del sottospazio; gli approoli quantistici (ad es. VQE) sono attualmente impraticabili su larga scala a causa degli overhead di misurazione e del rumore; e i metodi Neural Quantum State (NQS) esistenti spesso mancano di un ancoraggio di accuratezza esterno o non codificano esplicitamente la struttura di spin fermionica, portando a un campionamento subottimale.

Metodologia: Algoritmo HI-NQS
Gli autori propongono l'algoritmo Handover Iterative Neural Quantum State (HI-NQS), un approccio puramente classico che incorpora un NQS Transformer autoregressivo addestrato classicamente all'interno del framework iterativo di campionamento–diagonalizzazione–aggiornamento della Sample-Based Quantum Diagonalization (SQD). L'algoritmo opera attraverso un ciclo di feedback chiuso composto da cinque fasi chiave:

1. Campionamento Autoregressivo a Canale Doppio: La funzione d'onda è modellata da un'architettura Transformer che fattorizza la distribuzione di Born $\pi_\theta(x)$ in condizionali risolti per lo spin.

   • Architettura: Un design a doppio canale separa gli stream di spin-$\alpha$ e spin-$\beta$. Lo stream $\alpha$ utilizza l'auto-attenzione causale per generare i condizionali di spin-up. Lo stream $\beta$ intercala l'auto-attenzione causale con l'attenzione incrociata (cross-attention) sulla configurazione $\alpha$ completa ($H_\alpha$). Questo codifica esplicitamente le correlazioni tra spin opposti come un bias induttivo architettonico, contrastando con le codifiche a singolo stream dei precedenti metodi NQS generativi.
   • Campionamento: Le configurazioni vengono estratte tramite campionamento ancestrale esatto sotto vincoli rigidi del numero di particelle, garantendo campioni non distorti senza il mixing della catena di Markov.

2. Generazione Ibrida di Candidati: Per contrastare il collasso del modo (mode collapse) nei campionatori autoregressivi nelle fasi avanzate di iterazione, l'algoritmo combina proposte NQS stocastiche con un'espansione deterministica classica. Questa espansione elenca eccitazioni singole e doppie dei determinanti dominanti nella base attuale, garantendo un flusso costante di nuove configurazioni nella vicinanza hamiltoniana-connessa delle regioni ad alta ampiezza.

3. Scoring Perturbativo e Aggiornamento della Base: I candidati sono classificati utilizzando una misura di importanza basata sulla teoria delle perturbazioni del secondo ordine di Epstein–Nesbet (PT2), $s(x) = |\langle x|\hat{H}|\Psi_0\rangle|^2 / |E_0 - H_{xx}|$. La base cumulativa viene aggiornata mantenendo le configurazioni con il ranking più alto.

4. Diagonalizzazione del Sottospazio: L'Hamiltoniana proiettata all'interno della base selezionata viene diagonalizzata esattamente (utilizzando un risolutore di eigensoluzione Davidson) per ottenere l'energia dello stato fondamentale $E_0$ e l'autovettore $\Psi_0$. Questo passaggio fornisce un limite superiore variazionale e funge da "handover" (passaggio di consegne) alla diagonalizzazione esatta classica.

5. Distillazione Supervisionata (Ciclo Teacher-Student): L'autovettore $\Psi_0$ risultante viene distillato nuovamente nell'NQS. Inveve di minimizzare direttamente l'energia, la rete viene addestrata tramite una funzione di perdita composita che include un segnale del docente (teacher signal) derivato dai marginali di spin fattorizzati di $|\Psi_0|^2$ ($p_\alpha(\sigma_\alpha)p_\beta(\sigma_\beta)$). Questa perdita supervisionata, combinata con termini di policy-gradient e regolarizzazione dell'entropia, aggiorna i parametri della rete per approssimare meglio l'autovettore esatto dello spazio sottostante.

Contributi Chiave

• Architettura a Canale Doppio: L'introduzione di un Transformer con esplicita attenzione incrociata tra gli stream di spin-up e spin-down, trattando la separazione $\alpha/\beta$ dei fermioni come un prior strutturale piuttosto che come una caratteristica appresa.
• Supervisione Fattorizzata: Una strategia di addestramento che distilla l'autovettore esatto del sottospazio nell'NQS utilizzando i marginali di spin fattorizzati, creando un percorso supervisionato attivo che si allinea con l'architettura a doppio canale.
• Strategia di Campionamento Ibrida: L'integrazione di eccitazioni singole e doppie deterministiche insieme al campionamento autoregressivo per prevenire il collasso del modo e garantire la copertura dello spazio hamiltoniano-connesso.
• Scalabilità Puramente Classica: La dimostrazione che un risolutore SCI ad alte prestazioni e scalabile può essere ottenuto interamente su hardware GPU senza risorse di calcolo quantistico, utilizzando il principio di "handover" precedentemente esplorato in contesti quantistici (HI-VQE).

Risultati
Gli autori hanno testato HI-NQS rispetto a CIPSI-SCI ed FCI esatta (o proxy SHCI ad alta accuratezza) su 18 sistemi:

• Accuratezza: HI-NQS ha raggiunto l'accuratezza chimica ($|E - E_{ref}| < 1.6$ mHa) su tutti i 18 sistemi testati, inclusi dieci piccole molecole e una serie di spazi attivi di azoto a otto punti (CAS(6,6) a CAS(14,20), che copre da 12 a 40 qubit).
• Scalabilità del Conteggio dei Determinanti: Il metodo ha mostrato una scalabilità log-lineare dell'esponente del numero di determinanti ($N_{det}$) rispetto al numero di qubit di $\alpha_{NQS} = 0.089 \pm 0.011$. Questo è circa la metà della scalabilità di CIPSI-SCI ($\alpha_{CIPSI} = 0.180$) e un terzo di quella di CASCI completa ($\alpha_{CASCI} = 0.262$).
• Guadagni di Efficienza: Allo spazio attivo più grande testato (CAS(14,20), 40 qubit), HI-NQS ha richiesto circa 200 volte meno determinanti rispetto a CIPSI-SCI per raggiungere l'accuratezza chimica. Il vantaggio si accumula con la dimensione del sistema, passando dalla parità per piccoli spazi attivi (CAS(6,6)) a un fattore di $\sim 200\times$ per CAS(14,20).
• Ottimalità di Pareto: Su 13 dei 18 sistemi, HI-NQS è stato Pareto-dominante, utilizzando meno determinanti pur raggiungendo un'accuratezza uguale o migliore rispetto a CIPSI-SCI.

Significatività e Rivendicazioni
L'articolo sostiene che HI-NQS stabilisce un nuovo standard per la Selected Configuration Interaction puramente classica, dimostrando che un campionatore generativo con un bias induttivo corrispondente alla struttura di spin fermionica può superare i metodi SCI ordinati perturbativamente in termini di compattezza della base. Gli autori affermano che il divario tra selected-CI e neural quantum states è una questione di architettura piuttosto che di principio. Avendo chiuso con successo il ciclo di feedback tra campionamento generativo e diagonalizzazione esatta, HI-NQS offre una soluzione scalabile per la chimica quantistica fortemente correlata che preserva un'interfaccia diretta con i futi flussi di lavoro ibridi classico-quantistici (ad es., come warm-start per la diagonalizzazione quantistica). I risultati suggeriscono che il metodo può estendersi a spazi attivi sostanzialmente più grandi, come quelli richiesti per la chimica dei metalli di transizione (ad es., cluster Fe–S, Cr$_2$), dove la coda del determinante presenta la crescita combinatoria più forte.