Solving Classical and Quantum Spin Glasses with Deep Boltzmann Quantum States

Resumo Técnico: Resolução de Vidros de Spin Clássicos e Quânticos com Estados Quânticos de Boltzmann Profundos

Enunciado do Problema
Resolver os problemas de estado fundamental de vidros de spin clássicos e quânticos permanece um desafio formidável devido à presença de desordem congelada e frustração energética. Esses fatores criam uma paisagem energética acidentada, caracterizada por um número exponencialmente grande de mínimos locais separados por barreiras de alta energia. Essa topologia prejudica a eficiência dos métodos convencionais de Monte Carlo baseados em Metropolis (MCMC), que dependem de regras de atualização local e lutam para escapar de armadilhas locais, levando a tempos de mistura exponencialmente lentos. Embora os Estados Quânticos Neurais (NQS) tenham demonstrado sucesso na resolução de problemas de estado fundamental para sistemas fortemente correlacionados, as implementações padrão de NQS geralmente dependem de atualizações de Metropolis locais, herdando as ineficiências de amostragem do MCMC em sistemas vítreos. Além disso, o hardware físico de Recozimento Quântico (QA) enfrenta limitações relacionadas a ruído, efeitos de temperatura finita, conectividade limitada de qubits e sobrecarga de incorporação, frequentemente impedindo a solução de problemas de otimização combinatória em grande escala ou complexos.

Metodologia
Os autores propõem um framework que combina um novo ansatz variacional, Estados Quânticos de Boltzmann Profundos (DBQS), com um algoritmo de treinamento avançado denominado Recozimento Quântico Neural (NQA).

1. Estados Quânticos de Boltzmann Profundos (DBQS):

   • Os autores introduzem os Estados Quânticos de Boltzmann (BQS), um ansatz variacional inspirado em Máquinas de Boltzmann Profundas (DBMs). Nesta formulação, o sistema físico é estendido pela introdução de spins quânticos ocultos, interpretados como graus de liberdade quânticos não observados.
   • Uma função de onda variacional do tipo Jastrow é definida neste sistema ampliado. Os spins ocultos não contribuem diretamente para a energia, mas codificam correlações quânticas entre os spins físicos.
   • Crucialmente, a arquitetura DBQS herda a capacidade de amostragem de Gibbs em blocos eficiente das DBMs clássicas. Diferentemente dos NQS padrão que exigem atualizações de Metropolis locais, o DBQS permite atualizações globais onde todos os spins em uma camada são atualizados simultaneamente. Isso resulta em tempos de autocorrelação que permanecem $O(1)$ conforme o tamanho do sistema aumenta, oferecendo uma aceleração de pelo menos uma ordem de magnitude em comparação com regras de atualização local.
   • A formulação simplifica tarefas computacionais: derivadas variacionais analíticas são produtos simples de variáveis de spin (evitando retropropagação), e operadores locais (como energia local) reduzem-se a multiplicações de matrizes simples.

2. Recozimento Quântico Neural (NQA):

   • Para abordar a dificuldade de otimizar diretamente no Hamiltoniano alvo, os autores adaptam o framework de Recozimento Quântico Variacional (VQA).
   • Adiaticidade Relaxada: O algoritmo interpola o Hamiltoniano do problema de um regime fácil (driver não interativo) para um regime difícil (vidro de spin alvo) através de um parâmetro $s$. Diferentemente da evolução adiabática estrita, o NQA não exige que o manifold variacional aproxime-se de perto o estado adiabático instantâneo em tempos intermediários. Em vez disso, utiliza a solução de um passo como uma "inicialização quente" para o próximo, compensando erros numéricos em passos subsequentes.
   • Melhorias de Otimização: O algoritmo padrão de Reconfiguração Estocástica (SR) é aumentado com momento e otimizadores estocásticos avançados. Essa combinação acelera a convergência e estabiliza o treinamento.
   • Catalisadores: O framework permite a inclusão de um Hamiltoniano catalisador ($H_C$), especificamente um termo não estoquástico ($\sum \sigma_y$), que pode remodelar a paisagem energética para mitigar transições de fase de primeira ordem e melhorar a amostragem, uma característica não disponível nos recozedores quânticos atuais.
   • Cadeias Persistentes: O algoritmo mantém um conjunto de cadeias de Markov persistentes ao longo da programação de recozimento, retomando-as a partir de seus últimos estados em vez de re-thermalizá-las, melhorando ainda mais a eficiência.

Contribuições Principais

• Novo Ansatz: A introdução do DBQS, que combina o poder expressivo de redes neurais profundas com a eficiência de amostragem de cadeias de Gibbs em blocos, especificamente adaptado para sistemas vítreos.
• Framework Algorítmico: O desenvolvimento do NQA, que integra gradientes naturais com momento, condições de adiaticidade relaxada e amostragem de Gibbs persistente para navegar em paisagens energéticas acidentadas.
• Eficiência Computacional: Demonstração de que o método proposto evita os gargalos computacionais da retropropagação e da amostragem de Metropolis local, permitindo o estudo de sistemas com centenas de spins.
• Otimização de Hiperparâmetros: O uso de otimização automatizada de hiperparâmetros (HPO) via Optuna para ajustar parâmetros relevantes, evitando valores fixos arbitrários.

Resultados
Os autores avaliaram seu método em vários problemas desafiadores:

• Modelo Clássico de Sherrington-Kirkpatrick (SK): Para $N=100$ e $N=200$ spins com interações de alcance infinito, o DBQS combinado com NQA alcançou energias de estado fundamental exatas ou quase exatas. Especificamente, para $N=200$, o método encontrou o estado fundamental exato em 8 de 10 instâncias, superando a otimização SR padrão e abordagens NQS anteriores (cRBM, RBQS), que falharam em resolver essas instâncias dentro do orçamento computacional.
• Problema de Programação de Oficinas (JSSP): O método foi aplicado à versão de decisão do JSSP NP-difícil, reformulado como um vidro de spin de Ising. Os autores resolveram instâncias com centenas de spins (após poda de variáveis) que excedem as capacidades de incorporação do recozedor quântico D-Wave Advantage 2. Eles encontraram soluções exatas para 8 de 10 instâncias testadas.
• Modelo SK com Campo Transverso: Para vidros de spin quânticos com $N=100$ spins, o método identificou com sucesso estados fundamentais dentro da fase de vidro de spin. Os resultados mostraram que as melhores tentativas convergiram para energias abaixo da energia do estado fundamental clássico, indicando a captura bem-sucedida de efeitos quânticos. Para $N=16$, o método igualou os resultados de diagonalização exata.

Significado e Alegações
O artigo afirma que arquiteturas de redes neurais profundas equipadas com regras de atualização global eficientes (DBQS) e treinadas dentro de um esquema inspirado em recozimento (NQA) fornecem um framework poderoso e flexível para abordar problemas de vidros de spin clássicos e quânticos. Os autores afirmam que essa abordagem permite a investigação de sistemas de muitos corpos quânticos desordenados e a solução de tarefas reais de otimização combinatória difíceis em escalas que excedem as limitações atuais tanto de solucionadores clássicos exatos quanto de hardware de recozimento quântico. O trabalho posiciona essa metodologia como uma alternativa viável para estudar vidros de spin quânticos em grande escala e resolver problemas NP-difíceis onde heurísticas tradicionais e dispositivos quânticos físicos lutam. Os autores observam que, embora a abordagem seja heurística e careça de garantias teóricas estritas sobre o tempo de solução, seu desempenho empírico consistente em diversos benchmarks sugere que é uma candidata promissora para aplicações práticas.