An Iterative Dual-Channel Neural Quantum State Algorithm for Selected Configuration Interaction

Resumo Técnico: Handover Iterative Neural Quantum State (HI-NQS) para Interação de Configuração Selecionada

Declaração do Problema
Resolver com precisão a equação de Schrödinger eletrônica para sistemas fortemente correlacionados é dificultado pelo crescimento exponencial do espaço de configuração, tornando a Interação de Configuração Total (FCI) intratável para todos os sistemas, exceto os menores espaços ativos. Algoritmos de Interação de Configuração Selecionada (SCI) abordam isso construindo adaptativamente expansões determinantes compactas. No entanto, sua eficiência é limitada pela qualidade da estratégia de amostragem utilizada para identificar configurações quimicamente importantes. Métodos existentes enfrentam gargalos específicos: variantes clássicas de SCI (ex: CIPSI) sofem com o crescimento combinatório em pools de candidatos e escalonamento cúbico na diagonalização de subespaço; abordagens quânticas (ex: VQE) são atualmente impraticáveis em escala devido ao overhead de medição e ruído; e métodos de Estado Quântico Neural (NQS) existentes frequentemente carecem de uma âncora de precisão externa ou falham em codificar explicitamente a estrutura de spin fermiônica, levando a uma eficiência de amostragem suboptimal.

Metodologia: Algoritmo HI-NQS
Os autores propõem o algoritmo Handover Iterative Neural Quantum State (HI-NQS), uma abordagem puramente clássica que incorpora um NQS Transformer autorregressivo treinado classicamente dentro da estrutura iterativa de amostragem–diagonalização–atualização da Diagonalização Quântica Baseada em Amostragem (SQD). O algoritmo opera através de um ciclo de feedback fechado consistindo em cinco estágios principais:

1. Amostragem Autorregressiva de Canal Duplo: A função de onda é modelada por uma arquitetura Transformer que fatoriza a distribuição de Born $\pi_\theta(x)$ em condicionais resolvidas por spin.

   • Arquitetura: Um design de canal duplo separa os fluxos de spin-$\alpha$ e spin-$\beta$. O fluxo-$\alpha$ utiliza autoatenção causal para gerar condicionais de spin para cima. O fluxo-$\beta$ intercala autoatenção causal com atenção cruzada (cross-attention) à configuração-$\alpha$ completa ($H_\alpha$). Isso codifica explicitamente as correlações de spins opostos como um viés indutivo arquitetural, contrastando com codificações de fluxo único em métodos NQS generativos anteriores.
   • Amostragem: As configurações são extraídas via amostragem ancestral exata sob restrições rígidas de número de partículas, garantindo amostras imparciais sem mistura de cadeia de Markov.

2. Geração de Candidatos Híbrida: Para combater o colapso de modo (mode collapse) em amostradores autorregressivos em iterações tardias, o algoritmo combina propostas estocásticas de NQS com uma expansão clássica determinística. Esta expansão enumera excitações simples e duplas dos determinantes dominantes na base atual, garantindo um suprimento constante de novas configurações na vizinhança conectada pelo Hamiltoniano de regiões de alta amplitude.

3. Pontuação Perturbativa e Atualização de Base: Os candidatos são classificados usando uma medida de importância de teoria de perturbação de segunda ordem (PT2) de Epstein–Nesbet, $s(x) = |\langle x|\hat{H}|\Psi_0\rangle|^2 / |E_0 - H_{xx}|$. A base cumulativa é atualizada retendo as configurações de melhor classificação.

4. Diagonalização de Subespaço: O Hamiltoniano projetado dentro da base selecionada é diagonalizado exatamente (usando um solver de Davidson) para fornecer a energia do estado fundamental $E_0$ e o autovetor $\Psi_0$. Este passo fornece um limite superior variacional e serve como o "handover" (entrega) para a diagonalização exata clássica.

5. Destilação Supervisionada (Loop Professor-Aluno): O autovetor resultante $\Psi_0$ é destilado de volta para o NQS. Em vez de minimizar a energia diretamente, a rede é treinada via uma função de perda composta incluindo um sinal de professor derivado das marginais de spin fatorizadas de $|\Psi_0|^2$ ($p_\alpha(\sigma_\alpha)p_\beta(\sigma_\beta)$). Esta perda supervisionada, combinada com termos de política de gradiente e regularização de entropia, atualiza os parâmetros da rede para aproximar melhor o autovetor do subespaço exato.

Principais Contribuições

• Arquitetura de Canal Duplo: A introdução de um Transformer com atenção cruzada explícita entre fluxos de spin para cima e spin para baixo, tratando a separação $\alpha/\beta$ de férmions como um prior estrutural em vez de uma característica aprendida.
• Supervisão Fatorizada: Uma estratégia de treinamento que destila o autovetor do subespaço exato para o NQS usando marginais de spin fatorizadas, criando um caminho supervisionado ativo que se alinha com a arquitetura de canal duplo.
• Estratégia de Amostragem Híbrida: A integração de excitações simples/duplas determinísticas ao lado da amostragem autorregressiva para prevenir o colapso de modo e garantir a cobertura do espaço conectado pelo Hamiltoniano.
• Escalabilidade Puramente Clássica: A demonstração de que um solver SCI selecionado de alto desempenho e escalável pode ser alcançado inteiramente em hardware GPU sem recursos de computação quântica, utilizando o princípio de "handover" anteriormente explorado em contextos quânticos (HI-VQE).

Resultados
Os autores testaram o HI-NQS contra CIPSI-SCI e FCI exato (ou proxies de alta precisão SHCI) em 18 sistemas:

• Precisão: O HI-NQS alcançou precisão química ($|E - E_{ref}| < 1.6$ mHa) em todos os 18 sistemas testados, incluindo dez pequenas moléculas e uma série de espaço ativo de oito pontos para nitrogênio (CAS(6,6) a CAS(14,20), abrangendo de 12 a 40 qubits).
• Escalonamento da Contagem de Determinantes: O método exibiu um escalonamento log-linear do número de determinantes ($N_{det}$) versus a contagem de qubits de $\alpha_{NQS} = 0.089 \pm 0.011$. Isso é aproximadamente metade do escalonamento do CIPSI-SCI ($\alpha_{CIPSI} = 0.180$) e um terço do CASCI completo ($\alpha_{CASCI} = 0.262$).
• Ganhos de Eficiência: No maior espaço ativo testado (CAS(14,20), 40 qubits), o HI-NQS exigiu aproximadamente 200 vezes menos determinantes do que o CIPSI-SCI para atingir a precisão química. A vantagem se acumula com o tamanho do sistema, passando de paridade em pequenos espaços ativos (CAS(6,6)) para um fator de $\sim 200\times$ em CAS(14,20).
• Otimalidade de Pareto: Em 13 dos 18 sistemas, o HI-NQS foi Pareto-dominante, utilizando menos determinantes enquanto alcançava precisão igual ou melhor que o CIPSI-SCI.

Significância e Alegações
O artigo afirma que o HI-NQS estabelece um novo padrão para a interação de configuração selecionada puramente clássica, demonstrando que um amostrador generativo com um viés indutivo correspondente à estrutura de spin fermiônica pode superar os métodos de SCI ordenados perturbativamente em termos de compactação de base. Os autores asseguram que a lacuna entre o SCI selecionado e os estados quânticos neurais é uma questão de arquitetura, não de princípio. Ao fechar com sucesso o loop de feedback entre amostragem generativa e diagonalização exata, o HI-NQS oferece uma solução escalável para a química quântica fortemente correlacionada que preserva uma interface direta para futuros fluxos de trabalho híbridos clássico-quânticos (ex: como um aquecimento inicial para diagonalização quântica). Os resultados sugerem que o método pode se estender para espaços ativos substancialmente maiores, como os necessários para a química de metais de transição (ex: clusters de Fe–S, Cr$_2$), onde a cauda determinante apresenta o crescimento combinatório mais forte.