An Iterative Dual-Channel Neural Quantum State Algorithm for Selected Configuration Interaction

Technische Samenvatting: Handover Iterative Neural Quantum State (HI-NQS) voor Selected Configuration Interaction

Probleemstelling
Het nauwkeurig oplossen van de elektronische Schrödinger-vergelijking voor sterk gecorreleerde systemen wordt belemmerd door de exponentiële groei van de configuratieruimte, waardoor Full Configuration Interaction (FCI) onhandelbaar wordt voor alle behalve de kleinste actieve ruimtes. Selected Configuration Interaction (SCI) algoritmen pakken dit aan door adaptief compacte determinantale expansies te construëren. De efficiëntie van deze methoden wordt echter beperkt door de kwaliteit van de samplingstrategie die wordt gebruikt om chemisch belangrijke configuraties te identificeren. Bestaande methoden kampen met specifieke knelpunten: klassieke SCI-varianten (bijv. CIPSI) lijden onder combinatorische groei in kandidaat-pools en kubische schaling in subspace-diagonalisatie; kwantumbenaderingen (bijv. VQE) zijn momenteel onpraktisch op schaal vanwege de overhead bij metingen en ruis; en bestaande Neural Quantum State (NQS) methoden missen vaak een extern nauwkeurigheidsanker of slagen er niet in om de fermionische spinstructuur expliciet te coderen, wat leidt tot suboptimale sampling-efficiëntie.

Methodologie: HI-NQS Algoritme
De auteurs stellen het Handover Iterative Neural Quantum State (HI-NQS) algoritme voor, een puur klassieke benadering die een klassiek getrainde autoregressieve Transformer NQS binnen het iteratieve sample–diagonalize–update kader van Sample-Based Quantum Diagonalization (SQD) inbedt. Het algoritme werkt via een gesloten feedbackloop bestaande uit vijf sleutelfases:

1. Dual-Channel Autoregressive Sampling: De golffunctie wordt gemodelleerd door een Transformer-architectuur die de Born-distributie $\pi_\theta(x)$ factoriseert in spin-opgeloste conditionalen.

   • Architectuur: Een dual-channel ontwerp scheidt de spin-$\alpha$ en spin-$\beta$ stromen. De $\alpha$-stroom gebruikt causale self-attention om spin-up conditionalen te genereren. De $\beta$-stroom weeft causale self-attention samen met cross-attention naar de volledige $\alpha$-configuratie ($H_\alpha$). Dit codeert tegenovergestelde spin-correlaties expliciet als een architecturale inductieve bias, wat contrasteert met single-stream encodings in eerdere generatieve NQS-methoden.
   • Sampling: Configuraties worden getrokken via exacte ancestrale sampling onder strikte deeltjesaantal-restricties, wat ongebiaste samples garandeert zonder Markov-keten mixing.

2. Hybride Kandidaatgeneratie: Om mode collapse in autoregressieve samplers in latere iteraties tegen te gaan, combineert het algoritme stochastische NQS-voorstellen met een deterministische klassieke expansie. Deze expansie enumereert single en double excitaties van de dominante determinanten in de huidige basis, wat zorgt voor een constante aanvoer van verse configuraties in de Hamiltonian-verbonden nabijheid van hoog-amplitude regio's.

3. Perturbatieve Scoring en Basisupdate: Kandidaten worden gerangschikt met behulp van een Epstein–Nesbet tweede-orde perturbatietheorie (PT2) belangrijkheidsmaat, $s(x) = |\langle x|\hat{H}|\Psi_0\rangle|^2 / |E_0 - H_{xx}|$. De cumulatieve basis wordt bijgewerkt door de best gerangschikte configuraties te behouden.

4. Subspace Diagonalization: De geprojecteerde Hamiltonian binnen de geselecteerde basis wordt exact gedagonaliseerd (met behulp van een Davidson eigensolver) om de grondtoestandsenergie $E_0$ en de eigenvector $\Psi_0$ te verkrijgen. Deze stap levert een variationele bovengrens en dient als de "handover" naar klassieke exacte diagonalisatie.

5. Supervised Distillation (Teacher-Student Loop): De resulterende eigenvector $\Psi_0$ wordt gedistilleerd naar de NQS. In plaats van direct de energie te minimaliseren, wordt het netwerk getraind via een composiet verliesfunctie inclusief een teacher signaal afgeleid van de gefactoriseerde spin-marginals van $|\Psi_0|^2$ ($p_\alpha(\sigma_\alpha)p_\beta(\sigma_\beta)$). Deze supervised loss, gecombineerd met policy-gradient en entropie regularisatie termen, werkt de netwerkparameters bij om de exacte subspace eigenvector beter te benaderen.

Belangrijkste Bijdragen

• Dual-Channel Architectuur: De introductie van een Transformer met expliciete cross-attention tussen spin-up en spin-down stromen, waarbij de $\alpha/\beta$ scheiding van fermionen wordt behandeld als een structurele prior in plaats van een geleerde feature.
• Factorized Supervision: Een trainingsstrategie die de exacte subspace eigenvector distilleert naar de NQS met behulp van gefactoriseerde spin-marginals, wat een actieve supervised pathway creëert die overeenkomt met de dual-channel architectuur.
• Hybride Sampling Strategie: De integratie van deterministische single/double excitaties naast autoregressieve sampling om mode collapse te voorkomen en dekking van de Hamiltonian-verbonden ruimte te garanderen.
• Purele Klassieke Schaalbaarheid: De demonstratie dat een hoogwaardige, schaalbare SCI-solver volledig op GPU-hardware kan worden bereikt zonder kwantumcomputing middelen, gebruikmakend van het "handover" principe dat eerder in kwantumcontexten werd verkend (HI-VQE).

Resultaten
De auteurs hebben HI-NQS getest tegenover CIPSI-SCI en exacte FCI (of hoog-nauwkeurige SHCI proxies) over 18 systemen:

• Nauwkeurigheid: HI-NQS bereikte chemische nauwkeurigheid ($|E - E_{ref}| < 1.6$ mHa) op alle 18 geteste systemen, inclusief tien kleine moleculen en een acht-punts stikstof actieve-ruimte serie (CAS(6,6) tot CAS(14,20), variërend van 12 tot 40 qubits).
• Determinant Count Scaling: De methode vertoonde een log-lineaire schalingsexponent voor het aantal determinanten ($N_{det}$) versus het aantal qubits van $\alpha_{NQS} = 0.089 \pm 0.011$. Dit is ongeveer de helft van de schaling van CIPSI-SCI ($\alpha_{CIPSI} = 0.180$) en een derde van de volledige CASCI ($\alpha_{CASCI} = 0.262$).
• Efficiëntiewinst: Bij de grootste geteste actieve ruimte (CAS(14,20), 40 qubits), had HI-NQS ongeveer 200 keer minder determinanten nodig dan CIPSI-SCI om chemische nauwkeurigheid te bereiken. Het voordeel stapelt zich op met de systeemgrootte, groeiend van gelijkwaardigheid bij kleine actieve ruimtes (CAS(6,6)) naar een factor van $\sim 200\times$ bij CAS(14,20).
• Pareto-optimaliteit: Op 13 van de 18 systemen was HI-NQS Pareto-dominant, waarbij het minder determinanten gebruikte terwijl het een gelijke of betere nauwkeurigheid bereikte vergeleken met CIPSI-SCI.

Betekenis en Claims
Het artikel claimt dat HI-NQS een nieuwe standaard zet voor puur klassieke selected configuration interaction door aan te tonen dat een generatieve sampler met een inductieve bias die overeenkomt met de fermionische spinstructuur, de parametrische geordende SCI-methoden kan overtreffen in basis-compactheid. De auteurs stellen dat het gat tussen selected-CI en neural quantum states een kwestie is van architectuur in plaats van principe. Door de feedbackloop tussen generatieve sampling en exacte diagonalisatie succesvol te sluiten, biedt HI-NQS een schaalbare oplossing voor sterk gecorreleerde kwantumchemie die een directe interface behoudt met toekomstige hybride klassiek-kwantum workflows (bijv. als een warm-start voor kwantumdiagonalisatie). De resultaten suggeren dat de methode kan worden uitgebreid naar aanzienlijk grotere actieve ruimtes, zoals vereist voor overgangsmetaal-chemie (bijv. Fe–S clusters, Cr$_2$), waar de determinant-staart de sterkste combinatorische groei vertoont.