Foundation Neural Effective Hamiltonian for Strongly Correlated Quantum Materials

Technische Samenvatting: Foundation Neural Effective Hamiltonian voor Sterk Gecorreleerde Kwantummaterialen

Probleemstelling
Het simuleren van sterk gecorreleerde kwantummaterialen vereist vaak niet het oplossen van één enkele Hamiltoniaan, maar een familie van Hamiltonia fast die geparametriseerd zijn door instelbare koppelingen (bijv. interactiekracht, druk, doping of externe velden). Hoewel Neural Quantum States (NQS) zijn opgekomst als nauwkeurige variationele ansatzes, en Foundation Neural Quantum States (FNQS) een route bieden om berekeningen te ammortiseren over parameter-manifolds door een enkel model te trainen op een bereik van koppelingen, kampen zij met twee kritieke beperkingen:

1. Degradatie van Nauwkeurigheid: FNQS-voorspellingen kunnen fragiel worden nabij faseovergangen, niveau-kruisingen of regio's met scherpe veranderingen in correlatiepatronen, waarbij ze fasegrenzen vaak foutief identificeren.
2. Samplingkosten: Het evalueren van meerdere doel-koppelingen met FNQS vereist doorgaans herhaalde Monte Carlo-sampling voor elk punt, wat leidt tot computationele kosten die lineair groeien met het aantal doel-Hamiltonia.

Daartegenover staan traditionele subspace-methoden zoals Eigenvector Continuation (EC), die compacte subspaces construeren uit eigenvectoren om nabijgelegen toestanden efficiënt te reconstrueren. Echter, het construeren van deze subspaces vereist meestal dure, onafhankelijke many-body berekeningen voor elke basis-toestand, wat niet goed schaalt voor grote systemen of dichte parameter-scans.

Methodologie: Foundation Neural Effective Hamiltonian (FNEH)
De auteurs introduceren de Foundation Neural Effective Hamiltonian (FNEH), een framework dat een familie van Hamiltoniaan projecteert op een compacte subspace gespannen door FNQS-golffuncties gesampled bij geselecteerde koppelingen. De methode werkt als volgt:

1. Training van het Foundation Model: Een FNQS wordt getraind over een parameter-manifold $\Lambda_{train}$ met een verliesfunctie die de energie-verwachtingswaarde minimaliseert over geselecteerde trainingspunten. De architectuur (gebaseerd op Psiformer) embedt Hamiltoniaan-parameters als features naast elektronencoördinaten om conditionele golffunctie-amplituden $\Psi(\lambda, R)$ te produceren.
2. Subspace Constructie: In plaats van een nieuwe golffunctie te optimaliseren voor elke doel-koppeling, selecteert FNEH een set van $N_{state}$ basis-toestanden $\{|\Psi(\lambda_i)\rangle\}$ uit de vooraf getrainde FNQS op specifieke parameterpunten.
3. Effectieve Hamiltoniaan Formulering: Voor een Hamiltoniaan die lineair is in parameters, $\hat{H}(\lambda) = \sum_k \lambda_k \hat{h}_k$, construeert de methode parameter-onafhankelijke matrices $\hat{A}_k$:
   $$\hat{A}_k = \hat{S}^{-1} \tilde{h}_k$$
   waarbij $\tilde{h}_k$ en $\hat{S}$ de operator- en overlapmatrices zijn, respectievelijk berekend tussen de basis-toestanden. De effectieve Hamiltoniaan voor een willekeurige $\lambda$ wordt dan gereconstrueerd als $\hat{H}_{FNEH}(\lambda) = \sum_k \lambda_k \hat{A}_k$.
4. Determinant-State Sampling (DSS): Om de matrixelementen efficiënt te berekenen en de met statistische ruis geassocieerde amplificatie bij het inverteren van de overlapmatrix $\hat{S}$ te vermijden, gebruiken de auteurs Determinant-State Sampling. Dit houdt in dat er uitgebreide elektron-configuraties worden gesampled uit de waarschijnlijkheidsverdeling van de determinant van de basis-toestand matrix, wat een stabiele schatting van $\hat{A}_k$ mogelijk maakt.
5. Variationele Verbetering: Zodra de matrices gesampled zijn, wordt de grondtoestand voor elke doel-$\lambda$ gevonden door de kleine $N_{state} \times N_{state}$ matrix $\hat{H}_{FNEH}(\lambda)$ te diagonaliseren. Deze methode combineert de FNQS-basis-toestanden variationeel om de benadering te verbeteren ten opzichte van een enkele basis-toestand.

Belangrijkste Bijdragen

• Hybride Framework: FNEH integreert de transfereerbaarheid van foundation models met de variationele nauwkeurigheid van subspace-projectiemethoden. Het vereist geen aanvullende doel-specifieke optimalisatie; de basis-toestanden worden puur gegenereerd door inferentie uit de vooraf getrainde FNQS.
• Resolutie van Faseovergangen: Door basis-toestanden uit verschillende parameterregio's variationeel te combineren, kan FNEH grondtoestand-takken en fasegrenzen herstellen die het onderliggende foundation model misidentificeert of gladstrijkt.
• Computationele Efficiëntie: De methode ontkoppelt de dure sampling-stap (uitgevoerd één keer om $\hat{A}_k$ te bouwen) van de parameter-sweep. Vervolg-evaluaties van koppelingen, observabelen en fasegrenzen schalen alleen met de kleine dimensie van de effectieve Hamiltoniaan, in plaats van de systeemgrootte of het aantal doel-punten.

Resultaten
De auteurs demonstreren FNEH op een continuümmodel van interagerende elektronen in een moiré-potentiaal, een platform dat bekend staat om rijke sterk gecorreleerde en topologische fasen.

• Nauwkeurigheid: In benchmarking tegen een "optimale referentie" (apart geoptimaliseerde NQS voor elk punt) en Exact Diagonalization (ED), presteert FNEH significant beter dan de ruwe FNQS. Specifiek, in een regime waar FNQS onjuist een Charge Density Wave (CDW) fase voorspelt, herstelt FNEH correct de Fermi Liquid (FL) fase en de juiste locatie van de fasegrens (bijv. nabij $\phi \approx 40.2^\circ$).
• Energieverlaging: FNEH verlaagt systematisch de variationele energie vergeleken met de enkele FNQS-voorspelling, met verbeteringen tot $\approx 0.1$ meV per elektron in de geteste regio's.
• Hoge-resolutie Scans: De methode maakt snelle, hoge-resolutie multidimensionale fase-scans mogelijk (bijv. over potentiaalsterkte $V_0$ en fase $\phi$). De resulterende potentiaalenergie-oppervlakken lossen scherpe CDW-naar-FL transities helder op die in de ruwe FNQS-voorspellingen vervaagd lijken.
• Kostenreductie: Een computationele tijdsanalyse laat zien dat terwijl de kosten van FNQS en optimale referentiemethoden lineair groeien met het aantal doel-toestanden, de kosten van FNEH nagenoeg constant blijven na de initiële matrixconstructie. FNEH wordt efficiënter dan FNQS wanneer er meer dan $\approx 12$ doel-toestanden gescand worden.

Betekenis
Het artikel beweert dat FNEH een nieuwe weg opent voor het bestuderen van sterk gecorreleerde kwantummaterialen met behulp van foundation models. Door FNQS te transformeren van een parameter-geconditioneerde voorspeller naar een herbruikbaar variationeel Hamiltoniaan-framework, pakt het de dubbele uitdagingen van nauwkeurigheid nabij faseovergangen en de schaalbaarheid van samplingkosten aan. De auteurs benadrukken dat deze aanpak breed toepasbaar is op diverse Hamiltoniaan-families (lattice fermionen, spins, moleculen) en een algemene route biedt naar efficiënte, foundation-model-gebaseerde kwantum many-body simulatie zonder de verbijsterende kosten van herhaalde volledige optimalisaties of sampling voor elke doelparameter.