Machine-Learned Compact Subspace Generation for Quantum Selected Configuration Interaction within Density Matrix Embedding Framework

Resumo Técnico: Geração de Subespaço Compacto via Aprendizado de Máquina para Configuração de Interação Selecionada Quântica dentro da Estrutura de Teoria de Embutimento de Matriz de Densidade

Definição do Problema
A simulação precisa de estruturas eletrônicas correlacionadas em grandes sistemas moleculares, particularmente aqueles de relevância farmacêutica, permanece um desafio significativo. Métodos de diagonalização exata como a Configuração de Interação Total (FCI) escalam de forma combinatória, tornando-os intratáveis para sistemas de médio a grande porte. Embora algoritmos híbridos quântico-clássicos como os Solvers de Autovalores Variacionais Quânticos (VQE) ofereçam um caminho, eles sofrem com patologias de otimização, como platôs estéreis (barren plateaus) e sensibilidade ao ruído. A Diagonalização Quântica Baseada em Amostragem (SQD), ou Configuração de Interação Selecionada Quântica (QSCI), aborda esses problemas utilizando o hardware quântico apenas para amostragem de bitstrings, em vez de otimização iterativa, com o pós-processamento clássico realizando a diagonalização exata no subespaço amostrado. No entanto, as abordagens QSCI existentes enfrentam um gargalo crítico: a qualidade e a compacidade do subespaço de configuração amostrado. As amostras brutas do hardware são ruidosas e frequentemente violam simetrias físicas (número de elétrons, spin). As técnicas de recuperação atuais projetam essas amostras de volta em setores de simetria válidos, mas não garantem a seleção das configurações fisicamente mais relevantes. Isso resulta em subespaços desnecessariamente grandes que aumentam os custos de diagonalização clássica e erodem potenciais vantagens quânticas. Além disso, a aplicação de QSCI a grandes sistemas biológicos requer estratégias de fragmentação como a Teoria de Embutimento de Matriz de Densidade (DMET), que introduz complexidade adicional na gestão do equilíbrio entre o tamanho do subespaço e a precisão química.

Metodologia
Os autores propõem o DMET-QSCI-RBM, um framework unificado que integra um protocolo de geração de subespaço compacto via aprendizado de máquina ao fluxo de trabalho de DMET. A inovação central é o uso de uma Máquina de Boltzmann Restrita (RBM) treinada diretamente em bitstrings amostradas pelo quantum para aprender a distribuição de probabilidade dos determinantes dominantes, permitindo assim a geração direcionada de configurações de alta probabilidade sem depender de sementes perturbativas (ex: MP2).

A metodologia procede através das seguintes etapas principais:

1. Amostragem Quântica: Um ansatz de Jastrow de Unidade Local (LUCJ) é executado no hardware quântico para gerar bitstrings brutas.
2. Pós-Seleção e Inicialização: As amostras brutas são filtradas para conservação de número de partículas e spin. As configurações sobreviventes, juntamente com uma referência de Hartree-Fock (HF), formam a "memória de determinante" inicial.
3. Expansão Iterativa Guiada por RBM:
   • A RBM é treinada na memória de determinante atual (excluindo a referência HF) usando pesos uniformes, em vez de ponderar pelo coeficiente CI, para garantir uma exploração imparcial do setor dominante.
   • A RBM treinada realiza a amostragem de Gibbs para gerar novos candidatos a determinantes.
   • Esses candidatos são filtrados por simetria e novidade (removendo aqueles já presentes na memória).
   • Os candidatos filtrados são unidos à memória atual para formar um espaço de diagonalização de trabalho.
4. Proliferação de Strings de Spin: Antes da diagonalização, configurações únicas de $\alpha$ e $\beta$ são extraídas e seu produto cartesiano é formado. Esta etapa revela configurações de par cruzado não explicitamente amostradas, expandindo o subespaço sem a necessidade de novos shots quânticos.
5. Diagonalização Clássica e Atualização de Memória: O Hamiltoniano projetado é diagonalizado classicamente (usando o método Davidson). Configurações com coeficientes CI acima de um limiar são adicionadas permanentemente à memória de determinante para a próxima iteração.
6. Integração com DMET: Este solver QSCI-RBM atua como o solver de impureza de alto nível dentro do loop de autossustentabilidade de DMET. O loop ajusta o potencial químico global ($\mu_{glob}$) até que a contagem total de elétrons embutidos corresponda à contagem real de elétrons.

Principais Contribuições

• Construção de Subespaço Dirigida por RBM: O artigo introduz um método para substituir ou complementar heurísticas tradicionais de recuperação de configuração com um modelo generativo aprendido. Isso permite o direcionamento direto de subespaços de determinante compactos e de alta qualidade sem ancoragem perturbativa.
• Integração com DMET: O framework acopla com sucesso o QSCI-RBM ao DMET, permitindo a simulação de grandes sistemas biológicos fragmentados enquanto mantém a contagem de qubits por fragmento constante.
• Novidade e Filtragem de Simetria: O fluxo de trabalho inclui mecanismos específicos para evitar a contagem dupla e garantir a validade da simetria durante a expansão iterativa do subespaço.
• Proliferação de Strings de Spin: Os autores utilizam um passo de proliferação para expandir implicitamente o subespaço usando o produto cartesiano de strings de spin únicas, capturando correlações perdidas pela amostragem direta.

Resultos
O framework foi validado em pequenas moléculas (etileno e metoxilamina) e aplicado a um sistema biológico complexo: o inibidor Carmofur ligado à principal protease (Mpro) do SARS-CoV-2.

• Benchmarks de Pequenas Moléculas: No etileno ($C_2H_4$) e na metoxilamina ($CH_5NO$), o DMET-QSCI-RBM alcançou precisão química (erro < 1,6 mHa) acessando apenas 2,12% e 0,06%, respectivamente, do espaço de configuração total adaptado à simetria. Estes resultados superaram ou igualaram os benchmarks clássicos de CCSD, utilizando subespaços significativamente menores.
• Simulação Proteína-Ligante (Carmofur-Mpro):
  • O sistema foi fragmentado em 11 impurezas de DMET, cada uma com um espaço ativo uniforme de (16e, 16o) (32 qubits).
  • Baselines de DMET-SQD: Uma abordagem DMET-SQD padrão com um subespaço ilimitado ($\epsilon_{spb} = 10^8$) alcançou precisão química, mas exigiu o acesso a ~97,4% do espaço de simetria. Um baseline truncado ($\epsilon_{spb} = \sqrt{|S|/2}$) acessou apenas ~19,0% do espaço, mas falhou em atingir a precisão química, com erros de energia permanecendo em torno de $10^{-2}$ Ha. Notavelmente, o resíduo do potencial químico convergiu para o baseline truncado, porém a energia não convergiu, destacando que a convergência de $\mu$ não é um indicador confiável de precisão energética em subespaços truncados.
  • Desempenho do DMET-QSCI-RBM: O método proposto alcançou precisão química (erros de $9,3 \times 10^{-4}$ Ha e $4,3 \times 10^{-4}$ Ha em duas execuções independentes) enquanto acessava apenas ~3,9% do espaço de simetria em média. Isso representa uma redução de aproximadamente 25 vezes no tamanho do subespaço em comparação com o baseline convergido de DMET-SQD e uma redução de 5 vezes em relação ao baseline não convergido.
  • Eficiência: O método alcançou estes resultados com menos iterações de potencial químico, reduzindo o custo total de amostragem quântica. A profundidade do circuito quântico e o tempo de execução por fragmento foram comparáveis entre todos os métodos, indicando que o ganho de eficiência provém da redução no número de iterações necessárias para atingir a convergência.

Significância e Alegações
O artigo afirma que o DMET-QSCI-RBM estabelece a compacidade do subespaço como uma vantagem prática fundamental da seleção de configuração aprendida e dirigida por hardware. Os autores afirmam que:

1. Compacidade vs. Precisão: A geração de subespaço aprendida por máquina produz subespaços significativamente mais compactos do que a recuperação de configuração tradicional ou a semente de perturbação, mantendo a precisão física.
2. Desacoplamento de Métricas: A precisão da energia no DMET-QSCI-RBM é governada primariamente pela qualidade e compacidade da memória de determinante acumulada, e não pelo grau de consistência de autossustentabilidade do potencial químico. Isso permite que o framework alcance resultados cientificamente significativos mesmo quando a busca por $\mu$ é interrompida precocemente.
3. Escalabilidade: Ao reduzir o custo de diagonalização clássica por fragmento, esta abordagem possibilita a simulação de embutimento quântico escalável de sistemas biológicos complexos (como complexos proteína-ligante) que seriam de outra forma intratáveis devido à escala exponencial do espaço de configuração.
4. Agnosticismo de Hardware: O método aproveita as capacidades específicas de amostragem da era NISQ (evitando platôs estéreis) enquanto mitiga os problemas de ruído e tamanho de subespaço inerentes à amostragem bruta através de modelos generativos aprendidos.

Os autores concluem que esta abordagem pavimenta o caminho para simulações quânticas classicamente tratáveis de sistemas biomoleculares em seu contexto farmacológico completo, indo além das limitações de modelos de sítio ativo truncados. Eles observam que melhorias adicionais podem ser alcançadas através da otimização sistemática de hiperparâmetros da RBM e estudos comparativos com outras estratégias de subespaço compacto.