Shadow tomography for classical tensor network simulations

Sintesi Tecnica: Shadow Tomography per Simulazioni di Reti Tensoriali Classiche

Problema
I metodi a reti tensoriali (TN) sono centrali per la simulazione di sistemi quantistici molti-corpi su computer classici. Tuttavia, sorge un significativo collo di bottiglia computazionale nella valutazione degli osservabili fisici, in particolare quando il numero delle quantità rilevanti è elevato. Ciò include il calcolo di interi set di funzioni di correlazione spaziale, matrici di densità ridotta (RDM) o valori di aspettazione di Hamiltoniane a lungo raggio (ad esempio, modelli di Heisenberg a lungo raggio o Hamiltoniane di chimica quantistica ab initio).

Gli approcci standard affrontano limitazioni di scalabilità:

1. Contrazione Diretta: Richiede la valutazione separata dei valori di aspettazione per ogni osservabile, portando a un costo proporzionale al numero di osservabili ($O(N^k)$ per $k$-RDM).
2. Monte Carlo Standard (MC): Campiona le configurazioni dalla distribuzione di Born. Sebbene utilizzi contrazioni a singolo strato, richiede una valutazione separata dell'ampiezza per termini di operatori generici non diagonali. Il costo totale scala con il numero di osservabili e la varianza del stimatore, risultando spesso in una scalabilità da $O(N)$ a $O(N^3)$ a seconda del sistema e del compito.

La domanda centrale affrontata è se un singolo campione possa contenere simultaneamente informazioni su molti osservabili, riducendo così la complessità del campionamento, similmente al concetto di shadow tomography nella computazione quantistica.

Metodologia
Gli autori adattano le idee della shadow tomography alle simulazioni di reti tensoriali classiche all'interno del framework del Monte Carlo variazionale. Propongono tre strategie specifiche calibrate sui requisiti di contrazione delle TN:

1. Pauli Shadow (Sistemi Spin/Bosonici):

   • Adatta il metodo della shadow classica (Huang, Kueng, Preskill) ai sistemi di spin.
   • Meccanismo: Applica unitarie di Clifford locali casuali allo stato TN e compie "misurazioni" tramite il campionamento di Metropolis-Hastings dei relativi stati prodotto.
   • Efficienza: Un singolo campione fornisce un estimatore non distorto per tutti gli operatori di Pauli locali simultaneamente. Per osservabili $k$-locali con $k$ fissato, questo comprime l'informazione in modo tale che l'intera $k$-RDM sia stimata con una varianza $O(1)$ per campione.

2. Rainbow-Basis Shadow (Sistemi Fermionici):

   • Affronta la non-località degli operatori fermionici (stringhe di Jordan-Wigner) che rende inefficienti le Pauli shadow standard.
   • Meccanismo: Utilizza operatori di fermioni di Majorana e raggruppa i siti in sottoinsiemi mutuamente commutanti basati su pattern "rainbow" (accoppiando i siti $i$ e $j$ tali che $i+j=r$).
   • Misurazione: Campiona da una base di stati Bell a due siti a lungo raggio (e stati di occupazione locale) disposti in un pattern rainbow.
   • Efficienza: Ottiene una scalabilità quasi ottimale per la stima delle $k$-RDM fermioniche dividendo $O(N^{2k})$ stringhe in $O(N^k)$ sottoinsiemi commutanti.

3. Bell-Sampling Shadow (Sistemi Fermionici):

   • Progettato specificamente per osservabili scalari che sono funzioni lineari della $k$-RDM (ad esempio, valori di aspettazione dell'Hamiltoniana).
   • Meccanismo: Esegue misurazioni Bell congiunte su due repliche: lo stato target $|\psi\rangle$ e uno stato ausiliario $|\sigma\rangle$.
   • Stato Ausiliario: $|\sigma\rangle$ è scelto come determinante di Slater con elementi di 1-RDM a decadimento esponenziale per garantire che il denominatore nello stimatore rimanga ben comportato.
   • Efficienza: Sfrutta la struttura delle Hamiltoniane ab initio (interazioni a decadimento esponenziale) per ottenere miglioramenti significativi della scalabilità per la stima dell'energia totale.

Contributi Chiave e Miglioramenti della Scalabilità
Il documento dimostra che questi stimatori shadow offrono miglioramenti asintotici sostanziali rispetto agli approcci standard, riassunti come segue (dove $N$ è la dimensione del sistema):

• Sistemi di Spin (Pauli Shadow):
  • Stima della $k$-RDM: Migliora la scalabilità da $O(N^k)$ a $O(N)$.
  • Hamiltoniana a lungo raggio: Migliora la scalabilità da $O(N)$ a $O(1)$ (per un errore relativo fisso).
• Sistemi Fermionici (Rainbow/Bell Shadows):
  • Stima della 2-RDM: La rainbow-basis shadow migliora la scalabilità da $O(N^4)$ a $O(N^2)$ (o $O(N \log^2 N)$ con ottimizzazione).
  • Hamiltoniana a lungo raggio: La Bell-sampling shadow migliora la scalabilità da $O(N^3)$ a $O(1)$ (per un errore relativo fisso).
• Riutilizzo dell'Ambiente: Gli autori notano che l'applicazione delle strategie standard di riutilizzo dell'ambiente (riutilizzo degli ambienti locali per molteplici contrazioni) riduce ulteriormente il costo di tutti i metodi di un fattore $O(N)$, raggiungendo una scalabilità complessiva ottimale di $O(1)$ per la valutazione dell'Hamiltoniana con errore relativo fisso per entrambi i sistemi (spin e fermionici).

Risultati Numerici
Gli autori validano le loro scalabilità teoriche utilizzando:

1. Modello di Heisenberg 2D a lungo raggio (Spin):
   • La varianza dell'energia del MC standard scala come $O(N^2)$, mentre la Pauli shadow scala come $O(N)$.
   • La varianza del gradiente per il MC standard scala come $O(N^3)$, mentre la Pauli shadow (con troncamento del gradiente) scala come $O(N)$.
2. Catena di Idrogeno Ab Initio (Fermionica):
   • La varianza dell'energia del MC standard scala come $O(N^4)$, mentre la Bell-sampling shadow scala come $O(N)$.

Nelle simulazioni dello stato fondamentale variazionale (ottimizzazione dei parametri tensoriali), gli stimatori shadow dimostrano prestazioni superiori per dimensioni di sistema più grandi (ad esempio, reticoli $16 \times 16$) rispetto al MC standard, che beneficia del principio a varianza zero solo in sistemi piccoli o vicino agli autostati.

Significato e Rivendicazioni
Il documento sostiene che gli stimatori shadow fungono da nuovo strumento algoritmico per le simulazioni classiche di reti tensoriali, riducendo efficacementamente il "collo di bottiglia della valutazione degli osservabili" quando il numero di osservabili rilevanti è elevato.

• Stabilità: A differenza del MC standard, gli stimatori shadow forniscono stimatori del gradiente a varianza limitata, portando a un'ottimizzazione variazionale più stabile, particolarmente per sistemi grandi.
• Utilità Cross-Domain: Il lavoro illustra come le idee sviluppate per l'informazione quantistica (shadow tomography) possano migliorare gli algoritmi molti-corpo classici, unendo la teoria dell'informazione quantistica e la simulazione di reti tensoriali.
• Vantaggio Pratico: Gli autori dimostrano che vantaggi pratici sono già raggiungibili per le simulazioni dello stato fondamentale di TN variazionali di sistemi con interazioni a lungo raggio, superando i metodi MC esistenti nel regime di grandi sistemi.

Gli autori rimangono modesti riguardo allo stato ausiliario $\sigma$ nel metodo Bell-sampling, notando che l'ottimizzazione della sua scelta per sistemi ab initio più complessi e ad alta dimensionalità è una chiave direzione futura. Riconoscono inoltre che, sebbene gli stimatori shadow perdano il principio a varianza zero del MC standard vicino agli autostati, la loro migliore scalabilità e stabilità del gradiente compensano questo aspetto nelle simulazioni su larga scala.