Shadow tomography for classical tensor network simulations

技术摘要：用于经典张量网络模拟的阴影层析术 (Shadow Tomography)

问题陈述
张量网络 (TN) 方法是利用经典计算机模拟量子多体系统的核心手段。然而，在评估物理可观测量时，存在一个显著的计算瓶颈，特别是在需要计算大量相关量时。这包括计算全套空间相关函数、约化密度矩阵 (RDM) 或长程相互作用哈密顿量（例如长程海森堡模型或 ab initio 量子化学哈密顿量）的期望值。

标准方法面临着扩展性的限制：

1. 直接收缩 (Direct Contraction)： 需要为每个可观测量分别评估期望值，导致成本与可观测量数量成正比（对于 $k$-RDM 为 $O(N^k)$）。
2. 标准蒙特卡洛 (Standard Monte Carlo, MC)： 从 Born 分布中采样构型。虽然它使用单层收缩，但对于一般的非对角算符项，需要单独进行振幅评估。总成本随可观测量数量和估计量的方差而扩展，通常取决于系统和任务，呈现出 $O(N)$ 到 $O(N^3)$ 的扩展性。

核心问题在于：是否可以通过单个样本同时包含许多可观量的信息，从而降低采样复杂度，类似于量子计算中的阴影层析术概念。

方法论
作者将阴影层析术的思想引入到变分蒙特卡洛框架下的经典张量网络模拟中。他们提出了三种针对张量网络收缩需求定制的具体策略：

1. 泡利阴影 (Pauli Shadow，适用于自旋/玻色系统)：

   • 将经典阴影方法（Huang, Kueng, Preskill）应用于自旋系统。
   • 机制： 对 TN 态应用随机局部 Clifford 幺正变换，并通过通过 Metropolis-Hastings 采样得到的乘积态进行“测量”。
   • 效率： 单个样本可同时为所有局部泡利算符提供无偏估计。对于固定的 $k$-局部可观测量，它压缩了信息，使得完整的 $k$-RDM 以每个样本 $O(1)$ 的方差进行估计。

2. 彩虹基底阴影 (Rainbow-Basis Shadow，适用于费米子系统)：

   • 解决了费米子算符（Jordan-Wigner 链）的非定域性问题，这种非定域性使得标准泡利阴影效率低下。
   • 机制： 利用马约拉纳费米子算符，并根据“彩虹”模式（配对位点 $i$ 和 $j$，满足 $i+j=r$）将它们分为相互对易的子集。
   • 测量： 从排列成彩虹模式的长程两点 Bell 对态（以及局部占据态）的基底中进行采样。
   • 效率： 通过将 $O(N^{2k})$ 个链划分为 $O(N^k)$ 个对易子集，实现了估计费米子 $k$-RDM 的近乎最优扩展性。

3. Bell 采样阴影 (Bell-Sampling Shadow，适用于费米子系统)：

   • 专门为作为 $k$-RDM 线性函数的标量可观测量（例如哈密顿量期望值）设计。
   • 机制： 在两个副本之间进行联合 Bell 测量：目标态 $|\psi\rangle$ 和辅助态 $|\sigma\rangle$。
   • 辅助态： $|\sigma\rangle$ 被选择为一个具有指数衰减的 1-RDM 元素的 Slater 行列式，以确保估计量中的分母保持良好行为。
   • 效率： 利用 ab initio 哈密顿量的结构（指数衰减的相互作用）来实现能量估计的显著扩展性改进。

主要贡献与扩展性改进
论文证明了这些阴影估计量提供了相对于标准方法的实质性渐近改进，总结如下（其中 $N$ 为系统尺寸）：

• 自旋系统 (泡利阴影)：
  • $k$-RDM 估计： 将扩展性从 $O(N^k)$ 提升至 $O(N)$。
  • 长程哈密顿量： 对于固定相对误差，将扩展性从 $O(N)$ 提升至 $O(1)$。
• 费米子系统 (彩虹/Bell 阴影)：
  • 2-RDM 估计： 彩虹基底阴影将扩展性从 $O(N^4)$ 提升至 $O(N^2)$（通过优化可达 $O(N \log^2 N)$）。
  • 长程哈密顿量： Bell 采样阴影对于固定相对误差，将扩展性从 $O(N^3)$ 提升至 $O(1)$。
• 环境复用 (Environment Reuse)： 作者指出，应用标准的环境复用策略（复用多个收缩的局部环境）可以将所有方法的成本进一步降低一个 $O(N)$ 的因子，从而在哈密顿量评估中实现对于固定相对误差的 $O(1)$ 最优扩展性。

数值结果
作者通过以下方式验证了其理论扩展性：

1. 二维长程海森堡模型 (自旋)：
   • 标准 MC 的能量方差扩展为 $O(N^2)$，而泡利阴影扩展为 $O(N)$。
   • 标准 MC 的梯度方差扩展为 $O(N^3)$，而泡利阴影（结合梯度截断）扩展为 $O(N)$。
2. Ab Initio 氢链 (费米子)：
   • 标准 MC 的能量方差扩展为 $O(N^4)$，而 Bell 采样阴影扩展为 $O(N)$。

在变分基态模拟（优化张量参数）中，阴影估计量在处理较大系统尺寸（如 $16 \times 16$ 点阵）时表现出优于标准 MC 的性能，因为后者仅在小系统或接近本征态时才受益于零方差原理。

意义与主张
论文声称，阴影估计量为经典张量网络模拟提供了一种新的算法工具，有效地缓解了当相关可观测量数量很大时的“可观测量评估瓶颈”。

• 稳定性： 与标准 MC 不同，阴影估计器提供有界方差的梯度估计量，从而在变分优化中实现更稳定的过程，尤其是在大规模系统中。
• 跨领域效用： 这项工作展示了为量子信息开发的思想如何改进经典多体算法，架起了量子信息理论与张量网络模拟之间的桥梁。
• 实际优势： 作者证明，在具有长程相互作用系统的变分 TN 基态模拟中，其实际优势已清晰可见，在大型系统方案中优于现有的 MC 方法。

作者对 Bell 采样方法中的辅助态 $\sigma$ 保持谦逊，指出优化其选择以应对更复杂的、更高维度的 ab initio 系统是未来的关键研究方向。他们也承认，虽然阴影估计量在接近本征态时会失去标准 MC 的零方差原理，但其改进的扩展性和梯度稳定性在大型模拟中补偿了这一点。