Symmetry Constraints Regularize Neural Quantum State Learning

Sintesi Tecnica: I Vincoli di Simmetria Regolarizzano l'Apprendimento degli Stati Quantistici Neurali

Enunciato del Problema
Gli Stati Quantistici Neurali (NQS) offrono funzioni d'onda variazionali altamente espressive, capaci di catturare correlazioni many-body che sfuggono alle convenzionali reti di tensori. Tuttavia, questa espressività introduce severe sfide di ottimizzazione. Architetture NQS ampie e altamente espressive possono soffrire di "plateau barren" (plateau sterili) e paesaggi di ottimizzazione mal condizionati. Questi problemi derivano da direzioni di gradiente ridondanti causate da parametri debolmente identificabili; gli stessi parametri che permettono a un modello di essere espressivo spesso ne arrestano la capacità di convergere rapidamente. Mentre i metodi numerici impongono le simmetrie tramite proiezione nello spazio di Hilbert o costruzioni di penalità, l'impatto geometrico specifico dell'incorporare le simmetrie direttamente nella parametrizzazione variazionale — oltre alla semplice riduzione dei parametri — rimane una questione aperta. Nello specifico, come altera la simmetria la struttura del paesaggio di ottimizzazione, e come può questo essere quantificato utilizzando una metrica invariante rispetto alle trasformazioni di coordinate e sensibile allo stato target?

Metodologia
Gli autori propongono un framework che incorpora strutturalmente le simmetrie hamiltoniane direttamente negli ansatze della famiglia di Boltzmann, anziché penalizzare l'asimmetria durante l'ottimizzazione.

1. Compilazione della Simmetria tramite Tying dei Coefficienti:
   Il modello parametrizza i campi di ampiezza reale e di fase utilizzando espansioni di operatori diagonali (stringhe di Pauli-Z) su una base di supporto $k$-locale. Invece di ottimizzare tutti i coefficienti indipendentemente, gli autori impongono l'invarianza "legando" (tying) i coefficienti locali lungo orbite geometriche fisiche (ad esempio, traslazioni, operazioni del gruppo spaziale o parità di bit-flip globale). Ciò viene ottenuto identificando i coefficienti equivalenti per simmetria e collassando l'esponenzialmente grande spazio di configurazione in classi di autovalori compatibili con la simmetria prima dell'addestramento. Matematicamente, questo restringe la traiettoria di ottimizzazione al nucleo di una matrice di vincolo globale $V$, eliminando efficacemente le direzioni di parametri ridondanti e mal condizionate prima che l'ottimizzazione abbia inizio.

2. Diagnostica Geometrica:
   Per quantificare la geometria di ottimizzazione risultante, gli autori introducono una metrica geometrica target-aware basata sul Jacobiano e sull'Essiano del paesaggio di ottimizzazione:

• Metrica di Fubini–Study: Utilizzata per misurare il volume dello spazio degli stati fisicamente accessibili, fornendo una misura invariante rispetto alle coordinate che distingue gli stati fisicamente distinguibili dalle ridondanze di gauge.
• Rango di Curvatura Positiva ($r_+$): Una misura del numero di direzioni fisicamente distinguibili in cui l'energia aumenta quadraticamente attorno a un punto stazionario.
• Espressività Utile Target-Aware ($f_\epsilon$): Definita come la frazione del volume totale raggiungibile della metrica di Fubini–Study occupata dal vicinato $\epsilon$-accurato connesso dello stato fondamentale target. Questa metrica valuta quanto efficientemente l'ansatz alloca la sua capacità al problema target.
• Scala del Bacino Caratteristico ($R_\epsilon$): Una scala lineare normalizzata per rango derivata dal volume locale della regione "buona", consentendo il confronto delle larghezze dei bacini tra varietà di diverse dimensioni.

Contributi Chiave

• Regolarizzazione Strutturale: Il documento dimostra che l'incorporazione delle simmetrie direttamente nella parametrizzazione agisce come un regolarizzatore geometrico. Collassando analiticamente lo spazio dei coefficienti addestrabili, il metodo rimuove le direzioni di parametri ridondanti e migliora il condizionamento del problema di ottimizzazione sin dall'inizio.
• Nuove Metriche Geometriche: Gli autori introducono un framework per distinguere tra conteggio grezzo dei parametri, capacità variazionale fisicamente accessibile e concentrazione di tale capacità vicino alle soluzioni accurate. Ciò consente un confronto rigoroso tra ansatze vincolati e non vincolati che va oltre i semplici benchmark di accuratezza.
• Compressione Analitica dei Parametri: Il metodo fornisce una procedura sistematica e riproducibile (utilizzando il lemma di Burnside e la teoria dei gruppi) per determinare il numero di parametri indipendenti richiesti, collegando la riduzione della dimensionalità direttamente alle degenerazioni intrinseche dello stato target.

Risultati
L'approccio è stato valutato su catene di spin TFIM (Ising in campo trasverso) e XXZ con condizioni al contorno periodiche.

• Accuratezza vs. Compressione: La compilazione della simmetria ha ridotto drasticamente il numero di parametri addestrabili (ad esempio, da 210 a 10–11 per $N=20$ TFIM con vincoli di traslazione) mantenendo l'accuratezza dello stato fondamentale entro la risoluzione dei benchmark riportati. I modelli compressi non hanno fallito sistematicamente rispetto ai baseline non vincolati, anche vicino ai punti critici.
• Accelerazione del Tempo di Esecuzione: In sistemi grandi ($N=64, 128$), i forti vincoli spaziali hanno compresso migliaia di parametri in decine, fornendo accelerazioni sostanziali nel tempo di esecuzione (fino a 30$\times$ per $N=128$) senza sacrificare l'accuratezza.
• Regolarizzazione Geometrica:
  • Concentrazione ($f_\epsilon$): Le varietà vincolate dalla simmetria occupavano una frazione significativamente maggiore del loro volume raggiungibile con stati accurati rispetto alle varietà non vincolate. Questa concentrazione aumentava con la dimensione del sistema, indicando che i learner non vincolati allocano una frazione via via minore della loro capacità al vicinato del target.
  • Larghezza del Bacino ($R_\epsilon$): I vincoli basati sulla traslazione hanno mantenuto scale di bacino caratteristico sostanzialmente più grandi rispetto ai modelli non vincolati. Ciò indica che i vincoli di simmetria non solo concentrano la varietà raggiungibile, ma riducono anche la rigidità effettiva delle rimanenti direzioni di confinamento, creando minimi più ampi e robusti.
  • Gerarchia: Le simmetrie di traslazione e del gruppo spaziale hanno fornito i miglioramenti più forti sia nella concentrazione globale che nella geometria locale del bacino, seguite dalle simmetrie di riflessione e di bit-flip.

Significatività
Il documento sostiene che la compilazione della simmetria fa molto di più del semplice ridurre la dimensione del modello; essa riorganizza lo spazio degli stati fisici raggiungibili in modo che la capacità variazionale rimanente sia meglio allineata con il problema target. Concentrando l'espressività dell'NQS sul problema target, il metodo regolarizza la dinamica di apprendimento, riducendo la dimensione del modello e i costi di addestramento senza sacrificare l'accuratezza.

Gli autori sostengono che l'espressività variazionale debba essere giudicata in base a dove si trovano gli stati raggiungibili rispetto al target, non semplicemente in base a quanti stati l'ansatz può rappresentare. Le diagnostiche geometriche proposte ($f_\epsilon$ e $R_\epsilon$) forniscono un modo rigoroso per quantificare questo allineamento. Il lavoro suggerisce che incorporare le simmetrie fisiche nel modello variazionale prima dell'ottimizzazione sia una strategia superiore rispetto ai metodi di pruning post-hoc o basati su penalità, offrendo un approccio scalabile e altamente accurato per lo studio della fisica many-body.