Shadow tomography for classical tensor network simulations

Resumo Técnico: Tomografia de Sombras para Simulações de Redes de Tensores Clássicos

Definição do Problema
Métodos de redes de tensores (TN) são centrais para simular sistemas de muitos corpos quânticos em computadores clássicos. No entanto, um gargalo computacional significativo surge na avaliação de observáveis físicos, particularmente quando o número de quantidades relevantes é grande. Isso inclui o cálculo de conjuntos completos de funções de correlação espacial, matrizes de densidade reduzida (RDMs) ou valores esperados de Hamiltonianos de interações de longo alcance (por exemplo, modelos de Heisenberg de longo alcance ou Hamiltonianos de química quântica ab initio).

Abordagens padrão enfrentam limitações de escalonamento:

1. Contração Direta: Requer a avaliação de valores esperados separadamente para cada observável, levando a um custo proporcional ao número de observáveis ($O(N^k)$ para $k$-RDMs).
2. Monte Carlo Padrão (MC): Amostra configurações a partir da distribuição de Born. Embora utilize contrações de camada única, requer uma avaliação de amplitude separada para termos de operadores gerais não-diagonais. O custo total escala com o número de observáveis e a variância do estimador, resultando frequentemente em um escalonamento de $O(N)$ a $O(N^3)$, dependendo do sistema e da tarefa.

A questão central abordada é se uma única amostra pode conter simultaneamente informações sobre muitos observáveis, reduzindo assim a complexidade de amostragem, de forma semelhante ao conceito de tomografia de sombras (shadow tomography) em computação quântica.

Metodologia
Os autores adaptam ideias de tomografia de sombras para simulações de redes de tensores clássicas dentro do framework de Monte Carlo variacional. Eles propõem três estratégias específicas adaptadas aos requisitos de contração das TNs:

1. Sombra de Pauli (Sistemas de Spin/Bósons):

   • Adapta o método de sombra clássica (Huang, Kueng, Preskill) para sistemas de spin.
   • Mecanismo: Aplica unitárias de Clifford locais aleatórias ao estado da TN e realiza "medições" via amostragem de Metropolis-Hastings dos estados de produto resultantes.
   • Eficiência: Uma única amostra fornece um estimador não viesado para todos os operadores de Pauli locais simultaneamente. Para observáveis $k$-locais com $k$ fixo, isso comprime a informação de tal forma que o $k$-RDM completo é estimado com uma variância de $O(1)$ por amostra.

2. Sombra de Base Arco-Íris (Sistemas Fermiônicos):

   • Aborda a não-localidade dos operadores fermiônicos (cordas de Jordan-Wigner), que torna as sombras de Pauli padrão ineficientes.
   • Mecanismo: Utiliza operadores de fermiões de Majorana e os agrupa em subconjuntos mutuamente comutativos baseados em padrões "arco-íris" (pareamento de sítios $i$ e $j$ tal que $i+j=r$).
   • Medição: Amostra de uma base de estados de par de Bell de dois sítios de longo alcance (e estados de ocupação local) arranjados em um padrão arco-íris.
   • Eficiência: Alcança um escalonamento quase ótimo para estimar $k$-RDMs fermiônicos ao dividir $O(N^{2k})$ cordas em $O(N^k)$ subconjuntos comutativos.

3. Sombra de Amostragem de Bell (Sistemas Fermiônicos):

   • Projetada especificamente para observáveis escalares que são funções lineares da $k$-RDM (por exemplo, valores esperados de Hamiltonianos).
   • Mecanismo: Realiza medições de Bell conjuntas em duas réplicas: o estado alvo $|\psi\rangle$ e um estado auxiliar $|\sigma\rangle$.
   • Estado Auxiliar: $|\sigma\rangle$ é escolhido como um determinante de Slater com elementos de 1-RDM que decaem exponencialmente para garantir que o denominador no estimador permaneça bem comportado.
   • Eficiência: Explora a estrutura de Hamiltonianos ab initio (interações de decaimento exponencial) para alcançar melhorias significativas de escalonamento para a estimativa da energia total.

Contribuições Principais e Melhorias de Escalonamento
O artigo demonstra que os estimadores de sombra oferecem melhorias assintóticas substanciais sobre as abordagens padrão, resumidas como segue (onde $N$ é o tamanho do sistema):

• Sistemas de Spin (Sombra de Pauli):
  • Estimativa de $k$-RDM: Melhora o escalonamento de $O(N^k)$ para $O(N)$.
  • Hamiltoniano de Longo Alcance: Melhora o escalonamento de $O(N)$ para $O(1)$ (para erro relativo fixo).
• Sistemas Fermiônicos (Sombras de Base Arco-Íris/Bell):
  • Estimativa de 2-RDM: A sombra de base arco-íris melhora o escalonamento de $O(N^4)$ para $O(N^2)$ (ou $O(N \log^2 N)$ com otimização).
  • Hamiltoniano de Longo Alcance: A sombra de amostragem de Bell melhora o escalonamento de $O(N^3)$ para $O(1)$ (para erro relativo fixo).
• Reuso de Ambiente: Os autores observam que aplicar estratégias padrão de reuso de ambiente (reutilizar ambientes locais para múltiplas contrações) reduz ainda mais o custo de todos os métodos por um fator de $O(N)$, alcançando um escalonamento global ótimo de $O(1)$ para a avaliação de energia de Hamiltonianos para ambos os sistemas, spin e fermiônico.

Resultados Numéricos
Os autores validam seus escalonamentos teóricos usando:

1. Modelo de Heisenberg de Longo Alcance 2D (Spin):
   • A variância da energia do MC padrão escala como $O(N^2)$, enquanto a sombra de Pauli escala como $O(N)$.
   • A variância do gradiente para o MC padrão escala como $O(N^3)$, enquanto a sombra de Pauli (com truncamento de gradiente) escala como $O(N)$.
2. Cadeia de Hidrogênio Ab Initio (Fermiônico):
   • A variância da energia do MC padrão escala como $O(N^4)$, enquanto a sombra de amostragem de Bell escala como $O(N)$.

Em simulações de estado fundamental variacional (otimização de parâmetros de tensores), os estimadores de sombra demonstram desempenho superior para tamanhos de sistema maiores (ex: redes $16 \times 16$) comparado ao MC padrão, que se beneficia do princípio de variância zero apenas em sistemas pequenos ou próximo a estados próprios.

Significância e Alegações
O artigo afirma que os estimadores de sombra servem como uma nova ferramenta algorítmica para simulações de redes de tensores clássicas, reduzindo efetivamente o "gargalo de avaliação de observáveis" quando o número de observáveis relevantes é grande.

• Estabilidade: Ao contrário do MC padrão, os estimadores de sombra fornecem estimadores de gradiente com variância limitada, levando a uma otimização variacional mais estável, particularmente para sistemas grandes.
• Utilidade Transversal de Domínios: O trabalho ilustra como ideias desenvolvidas para informação quântica (tomografia de sombras) podem melhorar algoritmos de muitos corpos clássicos, unindo a teoria da informação quântica e a simulação de redes de tensores.
• Vantagem Prática: Os autores demonstram que vantagens práticas já são alcançáveis para simulações de estado fundamental de TN variacional de sistemas com interações de longo alcance, superando métodos de MC existentes no regime de sistemas de grande escala.

Os autores mantêm a modéstia quanto ao estado auxiliar $\sigma$ no método de amostragem de Bell, observando que otimizar sua escolha para sistemas ab initio mais complexos e de maior dimensão é uma direção futura chave. Eles também reconhecem que, embora os estimadores de sombra percam o princípio de variância zero do MC padrão próximo aos estados próprios, seu escalonamento melhorado e estabilidade de gradiente compensam isso em simulações de grande escala.