Foundation Neural Effective Hamiltonian for Strongly Correlated Quantum Materials

Sintesi Tecnica: Fondazione di un Hamiltoniano Effettivo Neurale per Materiali Quantistici Fortemente Correlati

Problematica
La simulazione di materiali quantistici fortemente correlati richiede spesso di risolvere non un singolo Hamiltoniano, ma una famiglia di Hamiltoniani parametrizzati da accoppiamenti variabili (ad esempio, forza di interazione, pressione, drogaggio o campi esterni). Sebbene gli Stati Quantistici Neurali (NQS) siano emersi come ansatz variazionali accurati, e i Foundation Neural Quantum States (FNQS) offrano una via per ammortizzare i calcoli attraverso i manifold di parametri addestrando un singolo modello su un intervallo di accoppiamenti, essi affrontano due criticità fondamentali:

1. Degradazione dell'accuratezza: Le previsioni degli FNQS possono diventare fragili in prossimità di transizioni di fase, incroci di livelli o regioni con cambiamenti netti nei pattern di correlazione, identificando erroneamente i confini di fase.
2. Costi di campionamento: Valutare molteplici accoppiamenti target con gli FNQS richiede tipicamente ripetuti campionamenti Monte Carlo per ogni punto, portando a costi computazionali che crescono linearmente con il numero di Hamiltoniani target.

Al contrario, i metodi tradizionali di sottospazio come l'Eigenvector Continuation (EC) costruiscono sottospazi compatti partendo dagli autostati per ricostruire efficientemente gli stati vicini. Tuttavia, la costruzione di tali sottospazi richiede solitamente costosi calcoli many-body indipendenti per ogni stato base, il che non scala bene per sistemi di grandi dimensioni o scansioni dense dei parametri.

Metodologia: Fondazione di un Hamiltoniano Effettivo Neurale (FNEH)
Gli autori introducono il Foundation Neural Effective Hamiltonian (FNEH), un framework che proietta una famiglia di Hamiltoniani su un sottospazio compatto spaziato dalle funzioni d'onda degli FNQS campionate in punti di accoppiamento selezionati. Il metodo opera come segue:

1. Addestramento del Modello di Fondazione: Un FNQS viene addestrato su un manifold di parametri $\Lambda_{train}$ utilizzando una funzione di perdita che minimizza l'aspettativa dell'energia attraverso punti di addestramento selezionati. L'architettura (basata su Psiformer) incorpora i parametri dell'Hamiltoniano come feature insieme alle coordinate elettroniche per restituire le ampiezze della funzione d'onda condizionale $\Psi(\lambda, R)$.
2. Costruzione del Sottospazio: Invece di ottimizzare un nuovo stato d'onda per ogni accoppiamento target, l'FNEH seleziona un insieme di $N_{state}$ stati base $\{|\Psi(\lambda_i)\rangle\}$ dalla pre-addestrata FNQS in specifici punti di parametro.
3. Formulazione dell'Hamiltoniano Effettivo: Per un Hamiltoniano lineare nei parametri, $\hat{H}(\lambda) = \sum_k \lambda_k \hat{h}_k$, il metodo costruisce matrici indipendenti dai parametri $\hat{A}_k$:
   $$\hat{A}_k = \hat{S}^{-1} \tilde{h}_k$$
   dove $\tilde{h}_k$ e $\hat{S}$ sono l'operatore e la matrice di sovrapposizione (overlap), rispettivamente, calcolati tra gli stati base. L'Hamiltoniano effettivo per qualsiasi $\lambda$ target viene quindi ricostruito come $\hat{H}_{FNEH}(\lambda) = \sum_k \lambda_k \hat{A}_k$.
4. Determinant-State Sampling (DSS): Per calcolare i termini della matrice in modo efficiente ed evitare l'amplificazione del rumore statistico associata all'inversione della matrice di sovrapposizione $\hat{S}$, gli autori impiegano il Determinant-State Sampling. Questo consiste nel campionare configurazioni elettroniche estese dalla distribuzione di probabilità del determinante della matrice dello stato base, permettendo una stima stabile di $\hat{A}_k$.
5. Miglioramento Variazionale: Una volta campionate le matrici, lo stato fondamentale per qualsiasi $\lambda$ target viene trovato mediante la diagonalizzazione della piccola matrice $N_{state} \times N_{state}$ $\hat{H}_{FNEH}(\lambda)$. Questo combina variazionalmente gli stati base della FNQS per migliorare l'approssimazione rispetto a un singolo stato base.

Contributi Chiave

• Framework Ibrido: L'FNEH integra la trasferibilità dei modelli di fondazione con l'accuratezza variazionale dei metodi di proiezione di sottospazio. Non richiede alcuna ottimizzazione aggiuntiva specifica per il target; gli stati base sono generati puramente tramite inferenza dalla FNQS pre-addestrata.
• Risoluzione delle Transizioni di Fase: Combinando variazionalmente gli stati base provenienti da diverse regioni di parametro, l'FNEH può recuperare i rami dello stato fondamentale e i confini di fase che il modello di fondazione sottostante identifica erroneamente o smussa.
• Efficienza Computazionale: Il metodo decoppia il costoso passaggio di campionamento (effettuato una sola volta per costruire $\hat{A}_k$) dalla scansione dei parametri. Le successive valutazioni di accoppiamenti, osservabili e confini di fase scalano solo con la piccola dimensione dell'Hamiltoniano effettivo, piuttosto che con la dimensione del sistema o il numero di punti target.

Risultati
Gli autori dimostrano l'FNEH su un modello continuo di elettroni interagenti in un potenziale moiré, una piattaforma nota per ricche fasi fortemente correlate e topologiche.

• Accuratezza: Nel confronto con un "riferimento ottimale" (NQS separatamente ottimizzato per ogni punto) ed Exact Diagonalization (ED), l'FNEH supera significativamente la FNQS grezza. Specificamente, in un regime in cui la FNQS predice erroneamente una fase di Onda di Densità di Carica (CDW), l'FNEH recupera correttamente la fase di Liquido di Fermi (FL) e la corretta posizione del confine di fase (ad esempio, vicino a $\phi \approx 40.2^\circ$).
• Abbassamento dell'Energia: L'FNEH abbassa sistematicamente l'energia variazione rispetto alla singola previsione della FNQS, con miglioramenti fino a $\approx 0.1$ meV per elettrone nelle regioni testate.
• Scansioni ad Alta Risoluzione: Il metodo consente rapide scansioni di fase multidimensionali ad alta risoluzione (ad esempio, su forza del potenziale $V_0$ e fase $\phi$). Le superfici di energia potenziale risultanti risolvono chiaramente le transizioni nette CDW-to-FL che appaiono sfumate nelle previsioni della FNQS grezza.
• Riduzione dei Costi: L'analisi dei tempi computazionali mostra che, mentre il costo dei metodi FNQS e del riferimento ottimale cresce linearmente con il numero di stati target, il costo dell'FNEH rimane approssimativamente costante dopo la costruzione iniziale della matrice. L'FNEH diventa più efficiente della FNQS quando si scansionano più di $\approx 12$ stati target.

Significatività
L'articolo sostiene che l'FNEH apre una nuova strada per lo studio dei materiali quantistici fortemente correlati utilizzando i modelli di fondazione. Trasformando la FNQS da un predittore condizionato ai parametri a un framework di Hamiltoniano variazionale riutilizzabile, esso affronta le doppie sfide dell'accuratezza vicino alle transizioni di fase e della scalabilità dei costi di campionamento. Gli autori sottolineano che questo approccio è ampiamente applicabile a varie famiglie di Hamiltoniani (fermioni su reticolo, spin, molecole) e fornisce una via generale verso una simulazione efficiente di molti corpi quantistici basata su modelli di fondazione, senza il costo proibitivo di ripetute ottimizzazioni complete o campionamenti per ogni parametro target.