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

Technische Samenvatting: Verbetering van Quantum-Klassieke Configuration Interaction-methoden met behulp van een Neuraal Netwerk Classifier

Probleemstelling
Nauwkeurige berekeningen van elektronische structuren vereisen methoden die in staat zijn om elektronencorrelatie te behandelen binnen Hilbertruimtes die exponentieel groeien met het aantal actieve orbitalen. Hoewel Full Configuration Interaction (FCI) exacte oplossingen biedt, beperkt de computationele kosten het tot zeer kleine systemen. Selected Configuration Interaction (SCI) methoden, zoals CIPSI, ASCI en Heat-Bath Configuration Interaction (HCI), bieden een compromis door iteratief compacte variationele ruimtes te construeren die alleen de belangrijkste determinanten bevatten. Echter, de efficiëntie van SCI-methoden hangt kritiek af van de heuristieken die worden gebruikt om deze belangrijke determinanten te identificeren. Naarmate de geselecteerde ruimte groeit, wordt het aantal kandidaat-determinanten dat geïnspecteerd moet worden groot, wat een bottleneck creëert.

In vergelijkbare zin proberen in de quantumcomputing-domein Sample-based Quantum Diagonalisation (SQD) methoden het CI-probleem op te lossen met behulp van NISQ-apparaten door een subruimte te construeren uit quantummetingen. Een significante beperking van SQD is de inefficiëntie bij het ontdekken van nieuwe determinanten; herhaaldelijk samplen selecteert vaak dezelfde configuraties, vooral wanneer men vertrekt vanuit een benaderde ansatz, wat de nauwkeurigheid van de berekening beperkt.

Methodologie
De auteurs stellen een datagedreven framework voor dat determinantselectie herformuleert als een binaire classificatie-taak, waarbij een neuraal netwerk (NN) classifier wordt geïntegreerd in iteratieve CI-workflows via een active-learning loop. Deze aanpak wordt toegepast op twee verschillende algoritmen: een klassieke variant van HCI (cHCI) en een quantum-klassieke variant van SQD (cSQD).

De kernprocedure werkt als volgt bij elke iteratie:

1. Generatie van Kandidaat-pool: De onderliggende methode genereert een pool ($P$) van kandidaat-determinanten (bijv. via heat-bath screening in HCI of configuratieherstel in SQD).
2. Random Sampling en Labeling: Een klein, vast fractie ($f_s = 0.2$) van de pool wordt willekeurig geselecteerd ($P_{rand}$). Een tijdelijke variationele ruimte wordt gevormd door de huidige ruimte te combineren met $P_{rand}$. Een enkele diagonalisatie van de Hamiltoniaan in deze tijdelijke ruimte levert CI-coëfficiënten op.
3. Toewijzing van Labels: Configuraties in $P_{rand}$ met amplitudes die een drempelwaarde overschrijden, worden gelabeld als "belangrijk", terwijl anderen worden gelabeld als "onbelangrijk". Dit creëert een gebalanceerde dataset voor training.
4. Classifier Training: Een neuraal netwerk classifier wordt vanaf nul getraind op deze gelabelde subset om de belangrijkheid van configuraties te voorspellen op basis van hun bezettingsgetal-bitstrings.
5. Geleide Selectie: De getrainde classifier scoort de resterende kandidaten in de pool ($P_{rest}$). De volgende variationele ruimte wordt geconstrueerd door de gelabelde "belangrijke" configuraties uit $P_{rand}$ te behouden en de best scorende configuraties uit $P_{rest}$ toe te voegen.

Dit framework wijzigt alleen de selectiestap van het algoritme, waardoor de kernworkflow (diagonalisatie, sampling, etc.) intact blijft. De classifier past zich continu aan naarmate de golffunctie evolueert tijdens het iteratieve proces.

Belangrijkste Bijdragen

• Verenigd Framework: Het artikel introduceert een algemene active-learning loop die determinantselectie behandelt als een binair classificatieprobleem, toepasbaar op zowel klassieke als hybride quantum-klassieke configuration interaction-methoden.
• Algoritmische Integratie: De auteurs hebben dit framework succesvol geïntegreerd in twee specifieke algoritmen:
  • cHCI: Een classifier-verbeterde Heat-Bath Configuration Interaction methode.
  • cSQD: Een classifier-verbeterde Sample-based Quantum Diagonalisation methode.
• Bitstring-gebaseerde Classificatie: De aanpak maakt gebruik van neurale netwerken die direct opereren op bezettingsgetal-bitstrings, wat een flexibele, architectuur-agnostische alternatief biedt voor traditionele perturbatieve of energie-gebaseerde selectiecriteria.

Resultaten
De auteurs hebben de voorgestelde methoden getest tegenover hun traditionele tegenhangers met behulp van de grondtoestand van het stikstofmolecuul ($N_2$) bij een evenwichtsafstand van $R = 2.1$ Å in de cc-pVDZ basisset.

• cHCI Prestaties: De cHCI-methode herstelde meer dan 98% van de CASCI-correlatie-energie met een variationele ruimte-dimensie die slechts 1/5 van de geconvergeerde standaard HCI-ruimte was. Dit resulteerde in een ongeveer 5-voudige reductie in zowel de geheugenvoetafdruk als de computationele kosten per iteratie (specifiek voor de variationele Davidson-diagonalisatie).
• cSQD Prestaties: De cSQD-methode demonstreerde een aanzienlijk versnelde convergentie vergeleken met standaard SQD. cSQD bereikte een relatieve correlatie-energie fout onder de 1% in slechts 3 iteraties. In contrast hiermee slaagde standaard SQD er niet in om deze nauwkeurigheidsdrempel te bereiken, zelfs niet na 20 iteraties.
• Efficiëntie: De classifier-gebaseerde selectie kon de variationele ruimte effectief comprimeren zonder verlies van nauwkeurigheid, waardoor de algoritmen hun computationele inspanning konden richten op de meest relevante configuraties.

Betekenis en Claims
Het artikel beweert dat classifier-ondersteunde determinantselectie dient als een lichtgewicht, methode-agnostisch instrument voor het comprimeren van variationele ruimtes en het versnellen van zowel klassieke als hybride quantum-klassieke configuration interaction-algoritmen. Door heuristische selectie te vervangen door een on-the-fly getrainde datagedreven classifier, bereikt de methode resultaat-pariteit met traditionele benaderingen tegen aanzienlijk lagere computationele kosten.

De auteurs positioneren dit werk als een eerste stap naar een breder begrip van classifier-ondersteunde selectie. Zij merken op dat hoewel de huidige studie zich richt op een enkel moleculair systeem en de variationele fase, het framework een bredere rol suggereert voor machine learning bij het ontwerpen van compacte golffunctie-representaties en efficiëntere elektronische structuur workflows. Het artikel claimt niet het schaalbaarheidsprobleem voor alle systemen universeel op te lossen, maar demonstreert de bruikbaarheid van de aanpak voor de specifieke gevallen van cHCI en cSQD op $N_2$.