Variational subspace methods and application to improving variational Monte Carlo dynamics

这是一篇关于量子多体系统模拟中变面子空间方法（Variational Subspace Methods）及其在改进变分蒙特卡洛（VMC）动力学中应用的学术论文。论文提出了一种名为 Bridge 的后处理框架，利用子空间技术显著提高了变分动力学模拟的精度，同时计算成本极低。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 变分方法的局限性： 在模拟量子多体系统的动力学时，变分蒙特卡洛（如 t-VMC, p-tVMC）等方法通常通过优化参数化的波函数来近似时间演化。然而，这些方法面临两个主要误差源：
  1. 离散化误差（Discretization Error）： 源于时间演化算符的低阶展开（如泰勒展开截断）。
  2. 优化误差（Optimization Error）： 源于变分波函数表达能力有限或优化过程不完美。
• 传统子空间方法的缺陷： 传统的子空间方法（如 Lanczos 算法）通常通过依次优化一组基态来构建子空间。这种顺序优化会导致误差累积，且缺乏一种直接在“子空间”层面操作的形式化语言，使得处理基态的线性组合变得困难。
• 核心挑战： 如何在不重新进行昂贵优化的前提下，利用已生成的变分状态（通常是一组时间序列上的近似态）构建一个更优的线性组合，以消除离散化误差并提高动力学精度？

2. 方法论 (Methodology)

论文提出了一个基于**行列式态映射（Determinant State Mapping）**的通用形式化框架，并在此基础上开发了 Bridge 算法。

A. 行列式态映射 (Determinant State Mapping)

作者将希尔伯特空间中的 $m$ 维子空间 $V$ 映射为一个大希尔伯特空间 $\mathcal{H}^{\otimes m}$ 中的单个量子态（行列式态）。

• 编码方式： 给定子空间 $V$ 的一组基 $\{|\phi_k\rangle\}_{k=1}^m$，定义其行列式态为：
  $$|\phi_A\rangle = \mathcal{S}_- |\phi_1\rangle \otimes \dots \otimes |\phi_m\rangle$$
  其中 $\mathcal{S}_-$ 是反对称化算子。
• 基变换不变性： 如果改变基底的选取（通过可逆矩阵 $B$），行列式态仅相差一个复数因子 $\det(B)$。这意味着行列式态在射影空间（量子态空间）中是良定义的，从而允许直接在子空间层面定义距离、能量等物理量。
• 物理量的推广：
  • 距离： 子空间间的距离定义为对应行列式态之间的 Fubini-Study 距离。
  • 能量： 子空间的能量定义为 $\langle \phi_A | H | \phi_A \rangle / \langle \phi_A | \phi_A \rangle$。这自然导出了Rayleigh 矩阵 $G^{-1}G(H)$ 的迹（其中 $G$ 是 Gram 矩阵，$G(H)$ 是投影哈密顿量矩阵）。
  • 算符作用： 幺正算符 $U$ 在子空间上的作用对应于 $U^{\otimes m}$ 在行列式态上的作用；厄米算符 $H$ 对应于 $\sum_k H_k$。

B. Bridge 算法

Bridge 是一种后处理技术，用于改进由其他变分方法（如 p-tVMC）生成的动力学轨迹。

• 输入： 一组在离散时间点 $t_k = k\delta$ 生成的变分状态 $\{|\phi_k\rangle\}$。
• 核心思想： 假设真实动力学位于这些状态张成的低维子空间内。通过求解该子空间内的有效薛定谔方程，寻找最优的线性组合系数 $\alpha(t)$，使得 $|\psi(t)\rangle = \sum_k \alpha_k(t) |\phi_k\rangle$ 尽可能接近真实演化。
• 求解过程：
  1. 利用时间依赖变分原理（TDVP），推导出系数 $\alpha(t)$ 的演化方程：$\dot{\alpha} = -i G^{-1}G(H) \alpha$。
  2. 该方程的解为 $\alpha(t) = e^{-i G^{-1}G(H) t} \alpha(0)$。
  3. 只需计算一次 Rayleigh 矩阵 $G^{-1}G(H)$，即可在任意时间点 $t$ 获得高精度的状态，实现连续的时间插值和外推。

C. 估计器选择 (Estimators)

为了计算 Rayleigh 矩阵，论文比较了两种蒙特卡洛估计器：

1. 求和态估计器 (Sum of States, SOS)： 分别估计 $G$ 和 $G(H)$。在基态接近线性相关时，$G$ 的病态会导致数值不稳定，且对伪逆的截断参数敏感。
2. 行列式态估计器 (Determinant State, Det)： 直接估计 $G^{-1}G(H)$ 的矩阵元素（基于 Pfau et al. 的方法）。
   • 优势： 对基态的线性相关性具有更强的鲁棒性，数值稳定性更高，且不需要调整伪逆的截断参数。
   • 结论： 在 Bridge 应用中，行列式态估计器表现最佳。

3. 主要贡献 (Key Contributions)

1. 形式化框架： 建立了基于行列式态映射的子空间操作形式化理论，将子空间视为单一的量子对象，自然推广了距离、能量和算符作用等概念。
2. Bridge 方法： 提出了一种计算廉价（相对于生成原始状态的成本）的后处理方法，能够显著消除变分动力学中的离散化误差。
3. 理论洞察： 证明了 Bridge 方法的有效性依赖于离散化误差（具有线性结构，可被线性组合修正），而对优化误差（无特定结构）改善有限。
4. 数值验证： 在横场 Ising 模型（4x4 和 8x8 晶格）上验证了方法的有效性，展示了其在插值和有限外推方面的能力。

4. 实验结果 (Results)

• 精度提升： 在 4x4 晶格上，Bridge 将 p-tVMC 的保真度误差降低了 3 到 4 个数量级（特别是在强场区域，误差主要源于离散化时）。
• 插值能力： Bridge 能够生成连续的时间演化轨迹，填补了原始离散时间点之间的空白，且精度高于原始状态。
• 外推能力： 在有限范围内，Bridge 可以外推至原始状态覆盖的时间之外，但随着时间推移，精度会逐渐下降（取决于原始子空间对真实动力学的覆盖程度）。
• 计算成本：
  • 生成原始 p-tVMC 状态需要数小时（多 GPU）。
  • 运行 Bridge 后处理仅需 15 到 60 分钟（单 GPU），成本极低。
  • 使用行列式态估计器比 SOS 估计器更稳定且无需调参。
• 大规模系统： 在 8x8 晶格（超出精确对角化能力）上，Bridge 成功复现了磁化强度的正确行为，而原始 p-tVMC 状态则无法做到。

5. 意义与展望 (Significance)

• 通用性： Bridge 可以应用于任何生成变分状态序列的方法（t-VMC, p-tVMC, 张量网络等），作为一个通用的“插件”来提升精度。
• 效率与精度的平衡： 它提供了一种以极小的额外计算成本换取巨大精度提升的途径，特别适用于受离散化误差主导的动力学模拟。
• 未来方向：
  • 状态压缩： 研究如何将 Bridge 得到的线性组合状态压缩回单个变分波函数，以便从该点重新开始动力学演化（Restarting dynamics）。
  • 子空间扩展： 探索引入更多状态（如 Krylov 态）来构建更大的子空间，以延长有效外推时间。
  • 新算法开发： 基于行列式态映射的形式化框架，开发更多针对子空间优化的新算法（如激发态计算、基态参数插值等）。

总结： 该论文通过引入行列式态映射，为变分子空间方法提供了坚实的理论基础，并据此开发了 Bridge 算法。Bridge 能够以极低的成本显著修正变分动力学中的离散化误差，是量子多体动力学模拟中一个强大且实用的工具。