Locality-Induced Hierarchical Backflow Wavefunctions for Correlated Fermions

Resumo Técnico: Funções de Onda de Backflow Hierárquico por Localidade para Férmions Correlacionados

Problema
Simular sistemas de férmions fortemente correlacionados, como aqueles descritos pelo modelo de Hubbard, continua sendo um desafio central na física da matéria condensada devido ao espaço de Hilbert exponencialmente grande. Embora métodos como a teoria de campo médio dinâmica, Monte Carlo quântico e redes de tensores ofereçam insights distintos, o desenvolvimento de métodos variacionais eficientes, sistematicamente aperfeiçoáveis e interpretáveis é uma necessidade urgente. Estados quânticos de redes neurais (NQS) emergiram como uma abordagem promissora, frequentemente construída sobre funções de onda de backflow. Originalmente introduzidas por Feynman e Cohen (1956) para descrever o hélio líquido, as funções de onda de backflow codificam estruturas de sinal fermiônico através de determinantes de Slater onde os orbitais de partícula única dependem da configuração de todas as outras partículas. No entanto, apesar de sua história de 70 anos e poder expressivo, as abordagens de backflow existentes tipicamente tratam essa dependência de configuração como funções globais genéricas. Essa falta de um princípio organizador claro dificulta a interpretabilidade, o aperfeiçoamento sistemático e a otimização.

Metodologia: Backflow Hierárquico (HB)
Os autores propõem uma nova família de estados fermiônicos variacionais denominados funções de onda de Backflow Hierárquico (HB). A inovação central é a identificação da localidade como um princípio organizador natural para correlações de backflow. Em vez de visualizar o backflow como um recurso não local misterioso, os autores o derivam de transições locais iteradas.

1. Derivação Teórica: Partindo de um Hamiltoniano fermiônico geral, os autores motivam um problema de autovalor de partícula única efetivo. Ao aplicar uma aproximação de kernel local, eles mostram que o Hamiltoniano efetivo depende apenas das ocupações de dois sítios. Iterar a ação deste kernel sobre um orbital inicial (ex: Hartree-Fock) acumula informações de fundo passo a passo, gerando uma dependência não local.
2. O Ansatz: Os orbitais de backflow $\psi_m(i, \bar{s})$ são parametrizados como uma expansão de caminho com uma profundidade de caminho $K$ controlável:
   $$\psi_m^{HB}(i, \bar{s}) = \sum_{i_1, \dots, i_K} \prod_{l=1}^K f_m^{[l]}(i_{l-1}, s_{i_{l-1}}; i_l, s_{i_l})$$
   Aqui, $f_m^{[l]}$ são tensores variacionais que codificam como o orbital em um sítio de referência é influenciado por seus vizinhos.
   • $K=0$: Reduz-se ao estado de Hartree-Fock (sem backflow).
   • $K=1$: Orbitais dependem de vizinhos próximos.
   • $K=2$: Orbitais dependem de vizinhos dos vizinhos, e assim por diante.
     Aumentar $K$ estende sistematicamente o alcance das correlações e melhora o poder expressivo.
3. Backflow Hierárquico Residual (RHB): Para fazer a ponte com estados de redes neurais quânticas mantendo a interpretabilidade, os autores introduzem uma decomposição local-não local. A estrutura de base do HB lida com correlações locais, enquanto um fator não local flexível $Q_m^{[\alpha]}(\bar{s})$ (parametrizado por uma rede neural ou rede de tensores) captura correlações residuais. Isso leva a uma função de onda multi-determinante:
   $$W(s) = \sum_\alpha \det(\Psi^{[\alpha]}), \quad \Psi_{mi}^{[\alpha]} = \psi_m^{HB}(i, \bar{s}) Q_m^{[\alpha]}(\bar{s})$$
   Esta estrutura permite representações mais compactas em comparação com arquiteturas de redes globais convencionais.

Resultados Principais
O framework foi testado no modelo de Hubbard bidimensional usando Monte Carlo Variacional (VMC) com reconfiguração estocástica.

• Meio de Preenchimento ($n_h=0$):

  • Para tamanhos de sistema variando de $4\times4$ a $10\times10$ e forças de interação $U=2$ a $8$, o ansatz HB com $K=1$ alcança alta precisão de energia, com erros relativos em torno de 0,5% comparados às energias de referência de Monte Carlo de Campo Auxiliar (AFQMC) sem viés.
  • Aumentar $K$ para 2 produz melhorias modestas adicionais.
  • A função de onda $K=1$ captura corretamente as funções de correlação de spin estagnado e a força de interação ($U=6$) para ordem magnética máxima, consistente com o limite termodinâmico.

• Dopagem de Buracos ($n_h=0,125$):

  • O método escala eficientemente para sistemas maiores ($12\times16$ e $16\times16$).
  • Em uma rede $16\times16$ com $U=8$, a energia do estado fundamental para $K=2$ é $-0,7526$, apenas $\sim0,2\%$ superior aos resultados recentes de AFQMC ($-0,7544$).
  • O método captura com sucesso a fase de listras (stripe phase) com um comprimento de onda $\lambda=8$, consistente com estudos anteriores.
  • A variante RHB (usando uma rede neural feedforward para a parte não local) atinge uma energia de $-0,7543(2)$ na rede $16\times16$, em excelente concordância com AFQMC.

• Comparação com Outros Métodos:

  • Em redes $4\times L$, o HB com $K=1$ já supera os métodos existentes de Backflow de Rede Neural (NNB) e de Estado de Determinante de Férmion Oculto (HFDS).
  • Aumentar $K$ ou usar RHB produz melhorias adicionais, demonstrando a capacidade de aperfeiçoamento sistemático do framework.
  • A representação RHB mostra-se mais compacta (escalonamento de parâmetros $O(N_{neurônio}N) + O(N^2)$) do que arquiteturas globais ($O(N_{neurônio}N^2)$).

Significância e Alegações
O artigo afirma revelar a localidade como o princípio organizador natural subjacente às funções de onda de backflow, um conceito que permaneceu elusivo por décadas. Ao estruturar as correlações de backflow através de uma profundidade de caminho hierárquico $K$, os autores fornecem:

1. Aperfeiçoamento Sistemático: Um caminho claro para melhorar a precisão simplesmente aumentando $K$, fazendo a ponte entre o campo médio (Hartree-Fock) e estados altamente correlacionados.
2. Interpretabilidade: Uma interpretação física do backflow como transições locais iteradas, contrastando com a natureza de "caixa preta" de redes neurais globais genéricas.
3. Eficiência e Escalabilidade: Um framework que permite a otimização eficiente e escala para grandes tamanhos de sistema ($16\times16$) enquanto captura fases complexas como listras.
4. Estrutura de Ponte: A decomposição local-não local (RHB) oferece uma base versátil que pode incorporar componentes não locais flexíveis (redes neurais, redes de tensores, fatores de Jastrow) sem sacrificar a interpretabilidade da estrutura local.

Os autores concluem que este trabalho abre um novo framework para simulações de grande escala de sistemas de férmions fortemente correlacionados, combinando o aperfeiçoamento sistemático dos métodos variacionais tradicionais com o poder expressivo das abordagens modernas de redes neurais.