Learning the closest Slater determinant

技术摘要：学习最接近的斯莱特行列式

问题定义
本文解决了寻找与任意 $n$ 费米子量子态 $\rho$（纯态或混合态）保真度最大的斯莱特行列式（Slater determinant）这一基本任务。形式上，给定一个状态 $\rho$ 和误差容限 $\epsilon > 0$，目标是找到一个斯莱特行列式 $|S\rangle \in \mathcal{S}$，使得：
$$\langle S|\rho|S\rangle \geq \text{OPT} - \epsilon$$
其中 $\text{OPT} = \max_{|S\rangle \in \mathcal{S}} \langle S|\rho|S\rangle$。

该问题不同于哈特里-福克（Hartree-Fock）近似，后者是通过最小化哈密顿量的能量期望值；而在这里，目标状态 $\rho$ 是固定的，其目标纯粹是几何性的（最大化重叠）。由于斯莱特行列式的流形是非线性的，该问题本质上是非凸的，这对像梯度上升这类可能陷入局部最优解的启发式优化方法提出了挑战。

方法论
作者提出了两种算法（经典和量子）来解决这一问题，这些算法依赖于一个三阶段过程：

1. 估计 1-RDM： 第一步涉及估计单粒子约化密度矩阵（1-RDM），即 $\gamma_{ij} = \text{Tr}(c^\dagger_j c_i \rho)$。
   • 在经典设置中，算法假设可以高效地查询具有简洁经典描述（例如张量网络或神经量子态）的振幅，并能高效采样少体观测量。
   • 在量子设置中，算法假设可以访问状态 $\rho$ 的副本，并使用量子层析技术（具体为费米子经典影子/fermionic classical shadows）来估计 $\gamma$。
2. 活性空间截断（Active Space Truncation）： 通过对估计的 1-RDM $\hat{\gamma}$ 进行对角化，获得自然轨道及其占据数。算法将希尔伯特空间截断为一个“活性空间” $\mathcal{A}$，该空间包含占据数高于阈值（$\sim \epsilon/n$）的轨道。理论证明表明，只要 1-RDM 的估计误差足够小，将搜索限制在该子空间内所引入的保真度误差至多为 $\epsilon/2$（或类似量级）。该活性空间的维度由 $O(n^2/\epsilon)$ 限制。
3. 离散化搜索：
   • 经典算法： 算法在由活性空间构建的斯莱特行列式流形上构造一个 $\epsilon$-覆盖网（$\epsilon$-covering net）。它通过显式枚举该网格、评估每个点的保真度并返回最大值来完成任务。
   • 量子算法： 算法采用量子阈值搜索（QTS）程序（基于 Badescu 和 O'Donnell），应用于覆盖网的投影算符。这使得能够以高概率找到最佳斯莱特行列式，且所需的 $\rho$ 副本数量与网格大小呈多项式对数关系，而非线性关系。

关键结果与复杂度
论文为该问题建立了算法上界（算法）和匹配的下界（硬度）：

• 经典运行时间： 经典算法的运行时间为 $m \cdot \text{poly}(n, 1/\epsilon)$。具体而言，其运行时间关于 $n$ 和 $1/\epsilon$ 是指数级的（大约为 $\exp(O(\frac{n^3}{\epsilon} \log \frac{n}{\epsilon}))$），但对于模式数 $m$ 是多项式级的。
• 量子样本复杂度： 量子算法需要 $\text{poly}(m, n, 1/\epsilon)$ 个 $\rho$ 的副本。然而，其运行时间对于 $n$ 和 $1/\epsilon$ 仍保持指数级。
• 硬度下界：
  • 在 $n$（粒子数）方面： 在假设指数时间假设（ETH）和 $n$-多彩色团问题（$n$-Multicolored Clique problem）具有硬度的前提下，不存在能在 $f(n)m^{o(n)}$ 时间内解决此问题的经典算法。这意味着对 $n$ 的指数依赖性在经典算法中基本上是不可避免的。
  • 在 $1/\epsilon$（精度）方面： 在假设 $\text{NP} \not\subseteq \text{BPP}$（经典）或 $\text{NP} \not\subseteq \text{BQP}$（量子）的前提下，不存在能在 $1/\epsilon$ 的多项式时间内解决此问题的算法。这是通过将该问题归约为量子可分性问题（quantum separability problem）来证明的，已知当状态接近可分态边界时，该问题是 NP-hard 的。

优化图景与 $2/3$ 阈值
论文的一个重要理论贡献是对优化图景的刻画。作者证明了在保真度 $F = 2/3$ 处存在一个尖锐的转变：

• 高于 $F = 2/3$： 如果一个斯莱特行列式 $|S\rangle$ 是保真度函数的驻点（满足类似于哈特里-福克理论中的布里渊条件），且其保真度 $F > 2/3$，则保证它是唯一的全局最大值。在此机制下，图景是“良性”的，不存在伪驻点。
• 低于 $F = 2/3$： 图景可能包含非全局最优的伪驻点（局部最优）。作者构造了“对抗性”状态，其中驻点可以在从 $2/3$ 以下趋近的过程中任意靠近 $2/3$，从而证明了 $2/3$ 阈值是尖锐的，且对于通用的、与状态无关的保证而言无法改进。

数值验证
作者将其实验算法应用于费米-哈伯德模型（Fermi-Hubbard model）：

• 他们从通过精确对角化和神经量子态（NQS）获得的基态中提取最接近的斯莱特行列式。
• 他们展示了当系统规模增大时，简单的梯度上升在随机初始化时经常失败，频繁陷入保真度远低于全局最大值的局部最优解。
• 在各种状态系综（随机、弱关联、物理态）上的数值实验证实，伪驻点通常位于 $2/3$ 阈值以下，且只有在构造特定的对抗性状态时，$2/3$ 边界才是紧致的。

意义
本文为学习任意费米子状态的最接近斯莱特行列式提供了具有严格性能保证的算法。其意义在于：

1. 算法保证： 为费米子状态的不可知层析（agnostic tomography）提供了可证明的解决方案，此前该任务主要依赖于缺乏收敛保证的启发式方法。
2. 复杂度刻画： 确立了该问题在粒子数和精度方面的计算硬度，设定了经典或量子算法可以高效实现的极限。
3. 几何洞察： 确定了 $2/3$ 保真度阈值作为局部优化变得全局可靠的关键转变点，为验证量子化学和凝聚态物理中的优化结果提供了实用的判据。
4. 实际用途： 展示了从复杂多体态（如 NQS 表示的态）中提取自然轨道基底和粒子-空穴激发结构的方法，有助于提高量子模拟的可解释性。