Shadow tomography for classical tensor network simulations

Technische Samenvatting: Shadow Tomografie voor Klassieke Tensor Netwerk Simulaties

Probleemstelling
Tensor netwerk (TN) methoden zijn centraal bij het simuleren van kwantum veel-deeltjessystemen op klassieke computers. Echter, een significante computationele bottleneck ontstaat bij de evaluatie van fysieke grootheden, met name wanneer het aantal relevante variabelen groot is. Dit omvat het berekenen van volledige sets ruimtelijke correlatiefuncties, gereduceerde dichtheidsmatrices (RDMs), of verwachtingswaarden van lang reikende interagerende Hamiltonians (bijv. lang reikende Heisenberg-modellen of ab initio kwantumchemische Hamiltonians).

Standaard benaderingen kampen met schaalbaarheidsbeperkingen:

1. Directe Contractie: Vereist het afzonderlijk evalueren van verwachtingswaarden voor elke observable, wat leidt tot een kostenproportie van $O(N^k)$ voor $k$-RDMs.
2. Standaard Monte Carlo (MC): Samplet configuraties uit de Born-distributie. Hoewel dit gebruikmaakt van single-layer contracties, is een aparte amplitude-evaluatie nodig voor algemene niet-diagonale operatortermen. De totale kosten schalen met het aantal observables en de variantie van de estimator, wat vaak resulteert in $O(N)$ tot $O(N^3)$ schaling afhankelijk van het systeem en de taak.

De kernvraag die wordt geadresseerd is of een enkele sample simultaan informatie kan bevatten over vele observables, waardoor de sampling-complexiteit wordt verminderd, vergelijkbaar met het concept van shadow tomography in kwantumcomputing.

Methodologie
De auteurs passen ideeën uit shadow tomography aan voor klassieke tensor netwerk simulaties binnen het kader van variational Monte Carlo. Ze stellen drie specifieke strategieën voor die zijn afgestemd op de contractie-eisen van TNs:

1. Pauli Shadow (Spin/Bosonische Systemen):

   • Past de klassieke shadow-methode (Huang, Kueng, Preskill) toe op spin-systemen.
   • Mechanisme: Past willekeurige lokale Clifford-unitaries toe op de TN-toestand en voert "metingen" uit via Metropolis-Hastings sampling van de resulterende producttoestanden.
   • Efficiëntie: Een enkele sample levert een onbevooroordeelde estimator voor alle lokale Pauli-operatoren simultaan. Voor $k$-lokale observables met een vaste $k$, comprimeert dit de informatie zodanig dat de volledige $k$-RDM wordt geschat met een $O(1)$ variantie per sample.

2. Rainbow-Basis Shadow (Fermionische Systemen):

   • Adresseert de niet-lokaliteit van fermionische operatoren (Jordan-Wigner strings) die standaard Pauli shadows inefficiënt maakt.
   • Mechanisme: Maakt gebruik van Majorana-fermion operatoren en groepeert deze in wederzijds commuteerde subverzamelingenheden gebaseerd op "regenboog"-patronen (koppeling van locaties $i$ en $j$ waar $i+j=r$).
   • Meting: Samplet uit een basis van lang reikende twee-locatie Bell-paar toestanden (en lokale bezettingstoestanden) gerangschikt in een regenboogpatroon.
   • Efficiëntie: Bereikt bijna optimale schaling voor het schatten van fermionische $k$-RDMs door $O(N^{2k})$ strings te verdelen in $O(N^k)$ commuteerde subverzamelingen.

3. Bell-Sampling Shadow (Fermionische Systemen):

   • Ontworpen specifiek voor scalaire observables die lineaire functies zijn van de $k$-RDM (bijv. Hamiltonian verwachtingswaarden).
   • Mechanisme: Voert gezamenlijke Bell-metingen uit op twee replica's: de doeltoestand $|\psi\rangle$ en een hulp-toestand $|\sigma\rangle$.
   • Hulp-toestand: $|\sigma\rangle$ wordt gekozen als een Slater-determinant met exponentieel afnemende 1-RDM elementen om ervoor te zorgen dat de noemer in de estimator goed gedefinieerd blijft.
   • Efficiëntie: Maakt gebruik van de structuur van ab initio Hamiltonians (exponentieel afnemende interacties) om significante schaalverbeteringen te bereiken voor de totale energie-estimatie.

Belangrijkste Bijdragen en Schalingsverbeteringen
De paper demonstreert dat deze shadow estimators substantiële asymptotische verbeteringen bieden ten opzichte van standaard benaderingen, samengevat als volgt (waarbij $N$ de systeemgrootte is):

• Spin Systemen (Pauli Shadow):
  • $k$-RDM Estimatie: Verbetert de schaling van $O(N^k)$ naar $O(N)$.
  • Lang Reikende Hamiltonian: Verbetert de schaling van $O(N)$ naar $O(1)$ (voor een vaste relatieve fout).
• Fermionische Systemen (Rainbow/Bell Shadows):
  • 2-RDM Estimatie: De Rainbow-basis shadow verbetert de schaling van $O(N^4)$ naar $O(N^2)$ (of $O(N \log^2 N)$ met optimalisatie).
  • Lang Reikende Hamiltonian: De Bell-sampling shadow verbetert de schaling van $O(N^3)$ naar $O(1)$ (voor een vaste relatieve fout).
• Hergebruik van Omgeving (Environment Reuse): De auteurs merken op dat het toepassen van standaard strategieën voor het hergebruik van omgevingen (het hergebruiken van lokale omgevingen voor meerdere contracties) de kosten van alle methoden verder verlaagt met een factor $O(N)$, wat een optimale totale $O(1)$ schaling bereikt voor de evaluatie van de Hamiltonian voor zowel spin- als fermionische systemen met een vaste relatieve fout.

Numerieke Resultaten
De auteurs valideren hun theoretische schalingen met behulp van:

1. 2D Lang Reikende Heisenberg Model (Spin):
   • Standaard MC energie-variantie schaalt als $O(N^2)$, terwijl de Pauli shadow schaalt als $O(N)$.
   • De gradiënt-variantie voor standaard MC schaalt als $O(N^3)$, terwijl de Pauli shadow (met gradiënt-truncatie) schaalt als $O(N)$.
2. Ab Initio Waterstofketen (Fermionisch):
   • Standaard MC energie-variantie schaalt als $O(N^4)$, terwijl de Bell-sampling shadow schaalt als $O(N)$.

In variatonele grondtoestand-simulaties (het optimaliseren van tensor-parameters), vertonen de shadow estimators superieure prestaties voor grotere systeemgroottes (bijv. $16 \times 16$ roosters) vergeleken met standaard MC, dat alleen in kleine systemen of nabij eigen-toestanden profiteert van het zero-variance principe.

Betekenis en Claims
Het artikel claimt dat shadow estimators dienen als een nieuw algoritmisch instrument voor klassieke tensor netwerk simulaties, wat effectief de "observable-evaluatie bottleneck" vermindert wanneer het aantal relevante observables groot is.

• Stabiliteit: In tegen tegenstelling tot standaard MC bieden shadow estimators gebonden-variantie gradiënt-estimators, wat leidt tot stabielere variationele optimalisatie, vooral voor grote systemen.
• Cross-Domain Nut: Het werk illustreert hoe ideeën ontwikkeld voor kwantuminformatie (shadow tomography) klassieke veel-deeltjes algoritmen kunnen verbeteren, waarmee een brug wordt geslagen tussen kwantuminformatietheorie en tensor netwerk simulatie.
• Praktisch Voordeel: De auteurs demonstreren dat praktische voordelen al bereikbaar zijn voor variatonele TN grondtoestand-simulaties van systemen met lang reikende interacties, waarbij ze bestaande MC-methoden overtreffen in het regime van grote systemen.

De auteurs blijven bescheiden over de hulp-toestand $\sigma$ in de Bell-sampling methode, waarbij zij opmerken dat het optimaliseren van de keuze hiervoor voor complexere, hogere-dimensie ab initio systemen een belangrijke toekomstige richting is. Ze erkennen ook dat hoewel shadow estimators het zero-variance principe van standaard MC verliezen nabij eigen-toestanden, hun verbeterde schaling en gradiënt-stabiliteit dit compenseren in grootschalige simulaties.