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

技術要約：ニューラルネットワーク分類器を用いた量子・古典構成間相互作用法の強化

問題提起
正確な電子状態計算には、活性軌道の数に対して指数関数的に増大するヒルベルト空間内での電子相関を扱う能力を持つ手法が必要である。全構成間相互作用（FCI）法は厳密解を提供するが、その計算コストのため、極めて小さな系に限定される。選択的構成間相互作用（SCI）法（CIPSI、ASCI、およびHeat-Bath Configuration Interaction (HCI) など）は、最も重要な決定論（determinant）のみを含むコンパクトな変分空間を反復的に構築することで、妥協案を提示している。しかし、SCI法の効率は、これらの重要な決定論を特定するために使用されるヒューリスティックに決定的に依存している。選択された空間が大きくなるにつれ、検査すべき候補決定論の数が膨大になり、これがボトルネックとなる。

同様に、量子コンピューティングの領域では、サンプルベース量子対角化（SQD）法が、量子測定から部分空間を構築することでCI問題を解決しようと試みている。SQDの重大な制限は、新しい決定論を発見する際の非効率性である。近似的なアンザッツから開始する場合、サンプリングが同じ構成を繰り返し選択してしまうことが多く、これが計算精度を制限する。

手法
著者らは、決定論の選択を二値分類タスクとして再定式化し、能動学習（active-learning）ループを介してニューラルネットワーク（NN）分類器を反復的なCIワークフローに統合する、データ駆動型のフレームワークを提案している。このアプローチは、2つの異なるアルゴリズム、すなわち古典的バリアントであるHCI（cHCI）と、量子・古典ハイブリッド・バリアントであるSQD（cSQD）に適用されている。

コアとなる手順は、各反復において以下のように動作する：

1. 候補プールの生成: 基盤となる手法が、候補決定論のプール（$P$）を生成する（例：HCIにおけるヒートバス・スクリーニングや、SQDにおける構成回収による）。
2. ランダムサンプリングとラベル付け: プールの固定された微小な割合（$f_s = 0.2$）がランダムに選択される（$P_{rand}$）。現在の空間と$P_{rand}$を組み合わせた一時的な変分空間が形成される。この一時的な空間におけるハミルトニアンの単一の対角化により、CI係数が得られる。
3. ラベル割り当て: 振幅が閾値を超える$P_{rand}$内の構成は「重要（important）」とラベル付けされ、それ以外は「重要でない（unimportant）」とラベル付けされる。これにより、訓練のためのバランスの取れたデータセットが作成される。
4. 分類器の訓練: 占有数ビット文字列に基づいて構成の重要性を予測するために、このラベル付けされたサブセットからゼロからニューラルネットワーク分類器を訓練する。
5. 誘導選択: 訓練された分類器が、プールの残りの候補（$P_{rest}$）に対してスコアリングを行う。次の変分空間は、ラベル付けされた「重要な」$P_{rand}$の構成を保持し、さらにスコアの高い$P_{rest}$の構成を追加することによって構築される。

このフレームワークは、アルゴリズムの選択ステップのみを修正するものであり、コアとなるワークフロー（対角化、サンプリングなど）はそのまま維持される。分類器は、反復プロセス中に波動関数が進化するにつれて継続的に適応する。

主な貢献

• 統一されたフレームワーク: 本論文は、決定論の選択を二値分類問題として扱う一般的な能動学習ループを導入しており、これは古典的および量子・古典的SCI手法の両方に適用可能である。
• アルゴリズムへの統合: 著者らは、このフレームワークを以下の2つの特定のアルゴリズムに統合することに成功した：
  • cHCI: 分類器によって強化されたHeat-Bath Configuration Interaction法。
  • cSQD: 分類器によって強化されたSample-based Quantum Diagonalisation法。
• ビット文字列ベースの分類: このアプローチは、占有数ビット文字列上で直接動作するニューラルネットワークを利用しており、従来の摂動論的またはエネルギーベースの選択基準に代わる、柔軟でアーキテクチャに依存しない代替手段を提供する。

結果
著者らは、平衡核間距離 $R = 2.1$ Å、cc-pVDZ基底系における窒素分子（$N_2$）の基底状態を用いて、提案手法を従来の対応手法と比較したベンチマークを行った。

• cHCIの性能: cHCI法は、標準的なHCIの収束時の変分空間次元のわずか1/5のサイズで、CASCI相関エネルギーの98%以上を回収した。これにより、メモリ使用量および反復ごとの計算コスト（具体的には変分Davidson対角化）の両方において、約5倍の削減を実現した。
• cSQDの性能: cSQD法は、標準的なSQDと比較して大幅に加速された収束を示した。cSQDは、わずか3回の反復で相対相関エネルギー誤差を1%未満に下げた。対照的に、標準的なSQDは20回反復した後でもこの精度閾値に達することができなかった。
• 効率性: 分類器ベースの選択は、精度を損なうことなく変分空間を効果的に圧縮し、アルゴリズムが最も関連性の高い構成に計算資源を集中させることを可能にした。

意義と主張
本論文は、分類器による決定論の選択が、変分空間を圧縮し、古典的およびハイブリッド量子・古典的構成間相互作用アルゴリズムの両方を加速するための、軽量で手法に依存しないツールとして機能すると主張している。ヒューリスティックな選択を、オンザフライで訓練されるデータ駆動型の分類器に置き換えることで、本手法は大幅に低い計算コストで従来の計算手法と同等の結果を得ている。

著者らは、本研究を分類器支援型選択に関するより包括的な理解への第一歩として位置づけている。彼らは、現在の研究が単一の分子系と変分段階に焦点を当てていることを指摘しているが、このフレームワークは、コンパクトな波動関数表現およびより効率的な電子状態ワークフローの設計における機械学習のより広範な役割を示唆している。本論文は、すべてのシステムに対するスケーリング問題を普遍的に解決すると主張するものではなく、特定のケース（$N_2$におけるcHCIおよびcSQD）における本アプローチの有用性を実証するものである。