Tensor Cross Interpolation of Purities in Quantum Many-Body Systems

Resumo Técnico: Interpolação Cruzada de Tensores de Purezas em Sistemas Quânticos de Muitos Corpos

Enunciado do Problema
A caracterização completa de sistemas quânticos de muitos corpos é fundamentalmente dificultada pelo escalonamento exponencial do espaço de Hilbert com o número de graus de liberdade ($L$). Embora sondas padrão frequentemente se concentrem em observáveis locais ou cortes bipartidos específicos (por exemplo, partições contíguas esquerda/direita), uma descrição completa exige o conhecimento de todas as purezas bipartidas (ou entropias de Rényi) para todas as regiões disjuntas possíveis. Armazenar essas informações de forma ingênua requer recursos da ordem de $O(2^L)$. Embora a "característica de emaranhamento" (EF)—uma função de onda fictícia que codifica todas as purezas como amplitudes—tenha sido proposta como uma representação compacta, sua utilidade prática para estados quânticos gerais permanece inexplorada. Especificamente, não está claro se a EF para estados complexos e altamente emaranhados pode ser aprendida eficientemente a partir de um conjunto limitado de dados sem conhecimento prévio da função de onda completa.

Metodologia
Os autores propõem o uso do algoritmo de Interpolação Cruzada de Tensores (TCI) para aprender e interpolar a característica de emaranhamento.

• Característica de Emaranhamento (EF): Definida como $|EF\rangle = \sum_{b \in \{0,1\}^L} e^{-S(b)} |b\rangle$, onde $S(b)$ é a segunda entropia de Rényi para uma bipartição definida pela string de bits $b$. Os autores utilizam uma "base dual" para remover a redundância $Z_2$, mapeando o problema para $L-1$ spins virtuais.
• Algoritmo TCI: Em vez de calcular todas as $2^L$ purezas e realizar uma varredura completa de Decomposição em Valores Singulares (SVD) (o que é exponencialmente caro), o TCI seleciona iterativamente um pequeno subconjunto de strings de bits "pivot" (valores de pureza) para construir uma aproximação de baixo posto do tensor completo.
• Eficiência: Se a EF puder ser representada como um Estado de Produto Matricial (MPS) com dimensão de ligação $\chi$, o TCI requer apenas $O(L\chi^2)$ avaliações de pureza para reconstruir a característica completa. Os autores empregam o pacote TensorCrossInterpolation.jl no "Modo II", que aumenta adaptativamente a dimensão de ligação até que uma tolerância de erro especificada seja atendida.

Principais Contribuições e Resultados
O artigo avalia sistematicamente a complexidade da EF em vários estados quânticos usando TCI:

1. Estados Aleatórios de Haar:

   • Expectativa Analítica: Sabe-se que a EF média de estados de Haar é um MPS com dimensão de ligação $\chi=2$.
   • Descoberta Numérica: Para realizações individuais de Haar, a dimensão de ligação $\chi$ do TCI exibe uma transição dependente do tamanho. Para pequenos $L$, as flutuações amostra-a-amostra na pureza são grandes, exigindo um $\chi$ exponencialmente grande para interpolar o "ruído". À medida que $L$ aumenta, as flutuações decaem exponencialmente ($\sim d^{-L}$), permitindo que o TCI ignore o ruído e convirja para $\chi=2$.

2. Estados Aleatórios de Produto Matricial (MPS):

   • Insight Analítico: Embora uma construção direta da EF a partir de um MPS de dimensão de ligação $\phi$ resulte em $\chi = \phi^4$, os autores argumentam que, para grandes $\phi$, o espectro da EF deve colapsar em direção ao limite de Haar ($\chi=2$).
   • Descoberta Numérica: A lacuna entre o segundo e o terceiro valores singulares da EF cresce com $\phi$, e a razão dos valores singulares superiores decai como $\sim \phi^{-4}$, confirmando que MPS aleatórios com grande $\phi$ possuem uma EF compressível.

3. Autoestados Quânticos de Muitos Corpos:
   Os autores aplicam o TCI a autoestados de várias Hamiltonianas 1D, identificando três regimes distintos de complexidade:

   • Estados de Lei de Volume (semelhantes a ETH): Autoestados altamente excitados de modelos de Ising caóticos e estados fundamentais de SYK. Semelhantes aos estados de Haar, estes mostram um crescimento exponencial inicial em $\chi$, seguido por uma queda para um valor constante (ou de crescimento lento) em grandes tamanhos de sistema, indicando compressibilidade.
   • Estados de Lei de Área: Autoestados altamente excitados na fase de Localização de Muitos Corpos (MBL). Estes exibem uma dimensão de ligação $\chi$ constante e pequena através dos tamanhos de sistema, consistente com seu baixo emaranhamento.
   • Estados Intermediários/Complexos:
     • Transição MBL (MBLT) & Estados Fundamentais Críticos: Embora estes estados tenham escalonamento logarítmico de emaranhamento, sua complexidade de EF varia. Os autoestados MBLT mostram um aumento exponencial em $\chi$ com o tamanho do sistema, sugerindo que sua EF não é compressível, apesar do emaranhamento abaixo da lei de volume.
     • Cadeias de Motzkin/Fredkin: A EF da cadeia de Motzkin de duas cores cresce exponencialmente, enquanto os estados de Motzkin de uma cor (sem cor) e de Fredkin são aprendidos eficientemente. Isso destaca que o escalonamento do emaranhamento, por si só, não prevê a compressibilidade da EF.

Aplicações Demonstradas
O artigo demonstra duas aplicações práticas da EF aprendida:

1. Quantificação da Distância de Emaranhamento: Os autores definem uma métrica de distância entre estados baseada na norma $L_2$ da diferença em suas EFs. Usando majorização de estresse, eles visualizam um "mapa de emaranhamento" onde os estados se agrupam de acordo com sua estrutura global de pureza (por exemplo, estados de lei de volume próximos aos de Haar, estados de lei de área próximos aos estados de produto). Isso revela outliers (como o estado de Motzkin de duas cores) que são distintos dos clusters padrão de lei de volume/área.
2. Ordenação Espacial Ótima: Os autores propõem um algoritmo para encontrar a ordenação ótima dos índices físicos para minimizar o emaranhamento bipartido. Ao usar a EF como um "oráculo de pureza" e uma estratégia de dividir e conquistar com TTOpt (um otimizador baseado em TCI), eles reordenam com sucesso estados MPS aleatoriamente embaralhados. Isso recupera o escalonamento de lei de área a partir de um comportamento aparente de lei de volume, reduzindo a entropia do corte médio por um fator de $\sim 3.4$ para $L=40$.

Significado e Afirmações
Os autores concluem que a característica de emaranhamento é uma estrutura poderosa para caracterizar estados quânticos além do escalonamento padrão de emaranhamento.

• Compressibilidade: Eles demonstram que, para uma ampla classe de estados (incluindo autoestados caóticos e estados MBL), a EF pode ser aprendida eficientemente via TCI, exigindo apenas recursos polinomiais no tamanho do sistema.
• Conteúdo de Informação: A EF contém mais informação do que o simples escalonamento de emaranhamento, capaz de distinguir estados com escalonamento similar, mas estruturas internas diferentes (por exemplo, MBLT vs. Lei de Área).
• Utilidade: O método fornece uma maneira escalável de processar dados de simuladores quânticos (instantâneos) para reconstruir propriedades globais.
• Direções Futuras: O artigo especula sobre aplicações para quantificação de emaranhamento multipartido (via log-EF e informação mútua) e correção de erros quânticos (identificação de conjuntos de apagamento corrigíveis), embora estes sejam apresentados como possibilidades conceituais e não como resultados implementados. Eles também sugerem que o TCI poderia ser adaptado para buscar ressonâncias em fases MBL ou interpolar observáveis a partir de dispositivos quânticos de escala intermediária ruidosos (NISQ).

O trabalho estabelece que a "complexidade" do perfil de pureza completo de um estado quântico é frequentemente muito menor do que a dimensão do espaço de Hilbert sugere, desde que o estado admita uma representação MPS de baixo posto de sua característica de emaranhamento.