Auxiliary-Field Quantum Monte Carlo (AFQMC) oder Hilfsfeld-Quanten-Monte-Carlo-Methode ist ein stochastisches Vielteilchenverfahren zur Berechnung quantenmechanischer Systeme mit wechselwirkenden Fermionen. Die Methode gehört zur Familie der projektiven Quantum-Monte-Carlo-Verfahren und wird vor allem eingesetzt, um Grundzustände und Grundzustandsenergien stark korrelierter elektronischer Systeme zu bestimmen.

Der zentrale Gedanke von AFQMC besteht darin, ein kompliziertes wechselwirkendes Vielteilchenproblem mithilfe zusätzlicher mathematischer Hilfsfelder in eine statistische Folge von Einteilchenproblemen umzuwandeln. Dadurch wird es möglich, Systeme zu behandeln, deren vollständige Vielteilchen-Wellenfunktion aufgrund der exponentiell wachsenden Zahl möglicher Konfigurationen nicht direkt gespeichert oder berechnet werden kann.

AFQMC verbindet mehrere zentrale Konzepte der modernen theoretischen Physik: die Darstellung von Fermionenzuständen durch Slater-Determinanten, die Projektion auf den Grundzustand in imaginärer Zeit, die Hubbard-Stratonovich-Transformation, Monte-Carlo-Sampling sowie Verfahren zur Kontrolle des fermionischen Sign- und Phasenproblems. Gerade diese Kombination macht AFQMC zu einer leistungsfähigen Methode zwischen exakten Vielteilchenverfahren und stärker approximativen Ansätzen wie der Dichtefunktionaltheorie.

Das quantenmechanische Vielteilchenproblem

Warum wechselwirkende Fermionen schwierig sind

Die grundlegende Gleichung nichtrelativistischer Quantensysteme ist die Schrödinger-Gleichung. Für einen stationären Vielteilchenzustand lautet sie

\(\hat{H}|\Psi\rangle = E|\Psi\rangle\)

Dabei bezeichnet \(\hat{H}\) den Hamiltonoperator des Systems, \(|\Psi\rangle\) die Vielteilchen-Wellenfunktion und \(E\) die zugehörige Energie.

Für ein einzelnes Teilchen ist diese Gleichung in vielen Fällen analytisch oder numerisch gut lösbar. Bei vielen wechselwirkenden Teilchen wächst die Schwierigkeit jedoch sehr schnell. Der Grund liegt nicht nur in der Zahl der Teilchen selbst, sondern vor allem in deren gegenseitiger Wechselwirkung und in der quantenmechanischen Verschränkung der Freiheitsgrade.

Bei Elektronen kommt zusätzlich das Pauli-Prinzip hinzu. Elektronen sind Fermionen. Ihre Vielteilchen-Wellenfunktion muss beim Austausch zweier identischer Elektronen das Vorzeichen wechseln. Diese Antisymmetrie ist fundamental für die elektronische Struktur von Atomen, Molekülen und Festkörpern, erschwert aber gleichzeitig numerische Berechnungen erheblich.

Exponentielles Wachstum des Hilbertraums

Wird ein System in einer endlichen Einteilchenbasis mit \(M\) möglichen Spinorbitalen beschrieben und befinden sich darin \(N\) Fermionen, dann beträgt die Zahl möglicher Slater-Determinanten

\(C(M,N) = \frac{M!}{N!(M-N)!}\)

Diese Zahl kann bereits bei moderaten Systemgrößen enorm werden. Eine vollständige Configuration-Interaction-Rechnung, bei der sämtliche möglichen Determinanten berücksichtigt werden, liefert innerhalb einer gegebenen Basis zwar eine exakte Lösung, wird aber aufgrund dieses kombinatorischen Wachstums sehr schnell unpraktikabel.

Das Grundproblem moderner elektronischer Strukturtheorie besteht deshalb darin, die physikalisch relevanten Teile dieses riesigen Zustandsraums zu erfassen, ohne jeden möglichen Zustand einzeln berechnen zu müssen.

Position von AFQMC

AFQMC löst dieses Problem nicht durch eine explizite Auflistung des gesamten Hilbertraums. Stattdessen wird die Vielteilchen-Wellenfunktion stochastisch durch eine Population sogenannter Walker dargestellt. Jeder Walker entspricht typischerweise einer Slater-Determinante. Die Walker werden durch zufällig gezogene Hilfsfelder in imaginärer Zeit propagiert.

Auf diese Weise wird der relevante Teil des Zustandsraums statistisch erkundet. Die Methode ersetzt damit eine deterministische Summe über eine astronomische Anzahl von Vielteilchenkonfigurationen durch ein Monte-Carlo-Sampling ausgewählter Pfade.

Mathematische Grundlage des Verfahrens

Hamiltonoperator in zweiter Quantisierung

Für elektronische Systeme wird der Hamiltonoperator häufig in zweiter Quantisierung geschrieben. Eine allgemeine Form lautet

\(\hat{H} = \sum_{ij} h_{ij} c_i^\dagger c_j + \frac{1}{2}\sum_{ijkl} V_{ijkl} c_i^\dagger c_j^\dagger c_l c_k\)

Der erste Term beschreibt Einteilchenbeiträge. Dazu gehören beispielsweise die kinetische Energie der Elektronen und die Wechselwirkung mit den Atomkernen oder einem externen Potential. Der zweite Term beschreibt die Wechselwirkung zwischen Elektronen.

Die Operatoren \(c_i^\dagger\) und \(c_i\) erzeugen beziehungsweise vernichten ein Fermion im Einteilchenzustand \(i\). Sie erfüllen die fermionischen Antikommutationsrelationen

\(\{c_i,c_j^\dagger\} = \delta_{ij}\)

und

\(\{c_i,c_j\} = \{c_i^\dagger,c_j^\dagger\} = 0\)

Die Zweiteilchenwechselwirkung ist der mathematisch entscheidende Teil des Problems. Einteilchenoperatoren lassen sich auf Slater-Determinanten vergleichsweise einfach anwenden. Zweiteilchenoperatoren erzeugen dagegen Korrelationen, die eine direkte Behandlung erheblich schwieriger machen.

Slater-Determinanten

Eine Slater-Determinante stellt einen antisymmetrischen Vielteilchenzustand dar. Für \(N\) besetzte Einteilchenorbitale kann sie formal als

\(|\phi\rangle = \prod_{i=1}^{N} \phi_i^\dagger |0\rangle\)

geschrieben werden.

Die Determinantenstruktur garantiert die korrekte fermionische Antisymmetrie. Hartree-Fock-Verfahren verwenden eine einzelne optimale Slater-Determinante als Näherung an den Grundzustand. Für stark korrelierte Systeme reicht eine einzelne Determinante allerdings häufig nicht aus.

AFQMC geht deshalb einen anderen Weg: Nicht eine einzige Determinante soll den vollständigen Grundzustand beschreiben. Stattdessen wird eine große Population unterschiedlicher Determinanten stochastisch erzeugt und gewichtet.

Grundzustandsprojektion in imaginärer Zeit

Ausgangspunkt der Projektionsmethode

Die Grundidee projektiver Quantum-Monte-Carlo-Verfahren ist einfach. Man startet mit einem Anfangszustand \(|\Psi_I\rangle\), der eine nichtverschwindende Überlappung mit dem tatsächlichen Grundzustand besitzt. Anschließend wird dieser Zustand mit einem imaginären Zeitentwicklungsoperator propagiert:

\(|\Psi(\tau)\rangle = e^{-\tau\hat{H}}|\Psi_I\rangle\)

Die Eigenzustände des Hamiltonoperators seien \(|\Psi_n\rangle\) mit Energien \(E_n\). Der Anfangszustand kann dann entwickelt werden als

\(|\Psi_I\rangle = \sum_n c_n |\Psi_n\rangle\)

Nach der imaginären Zeitentwicklung ergibt sich

\(|\Psi(\tau)\rangle = \sum_n c_n e^{-\tau E_n}|\Psi_n\rangle\)

Wird zusätzlich die Grundzustandsenergie als Referenz berücksichtigt, kann man schreiben

\(|\Psi(\tau)\rangle = e^{-\tau(\hat{H}-E_T)}|\Psi_I\rangle\)

Für ausreichend große \(\tau\) werden Zustände mit höheren Energien exponentiell stärker unterdrückt als der Grundzustand. Unter der Voraussetzung

\(\langle\Psi_0|\Psi_I\rangle \neq 0\)

konvergiert die Projektion gegen den Grundzustand.

Diskretisierung der imaginären Zeit

Eine direkte Anwendung des Operators über eine große imaginäre Zeit ist numerisch unpraktisch. Deshalb wird die Gesamtzeit in kleine Schritte zerlegt:

\(\tau = n\Delta\tau\)

Damit wird

\(e^{-\tau\hat{H}} = \left(e^{-\Delta\tau\hat{H}}\right)^n\)

Die Berechnung reduziert sich dadurch auf die wiederholte Anwendung eines Kurzzeitpropagators.

Trotter-Suzuki-Zerlegung

Trennung des Hamiltonoperators

Der Hamiltonoperator wird in einen Einteilchenanteil und einen Zweiteilchenanteil zerlegt:

\(\hat{H} = \hat{H}_1 + \hat{H}_2\)

Da diese Operatoren im Allgemeinen nicht miteinander kommutieren, gilt nicht exakt

\(e^{-\Delta\tau(\hat{H}_1+\hat{H}_2)} = e^{-\Delta\tau\hat{H}_1}e^{-\Delta\tau\hat{H}_2}\)

Für kleine Zeitschritte kann jedoch eine Trotter-Suzuki-Zerlegung verwendet werden. Eine symmetrische Form lautet

\(e^{-\Delta\tau\hat{H}} \approx e^{-\frac{\Delta\tau}{2}\hat{H}_1}e^{-\Delta\tau\hat{H}_2}e^{-\frac{\Delta\tau}{2}\hat{H}_1}\)

Der Fehler dieser symmetrischen Zerlegung verschwindet mit kleiner werdendem Zeitschritt. In praktischen Rechnungen wird deshalb überprüft, ob die Ergebnisse gegenüber einer Verringerung von \(\Delta\tau\) konvergiert sind.

Das verbleibende Problem

Nach der Trotter-Zerlegung kann der Einteilchenanteil ohne grundlegende Schwierigkeiten auf eine Slater-Determinante angewendet werden. Der Zweiteilchenpropagator

\(e^{-\Delta\tau\hat{H}_2}\)

bleibt jedoch problematisch. Genau an dieser Stelle setzt die Hubbard-Stratonovich-Transformation an.

Die Hubbard-Stratonovich-Transformation

Der entscheidende Schritt von AFQMC

Die Hubbard-Stratonovich-Transformation ist das mathematische Herzstück der Auxiliary-Field Quantum Monte Carlo Methode. Sie ermöglicht es, einen Exponentialoperator mit quadratischen Einteilchenoperatoren durch ein Integral über lineare Einteilchenoperatoren zu ersetzen.

Eine typische Identität besitzt die Form

\(e^{\frac{1}{2}\lambda\hat{v}^2} = \frac{1}{\sqrt{2\pi}}\int_{-\infty}^{\infty} dx\, e^{-\frac{x^2}{2}}e^{\sqrt{\lambda}x\hat{v}}\)

Abhängig von der konkreten Form des Hamiltonoperators können Vorzeichen, komplexe Faktoren und mehrere Hilfsfelder auftreten. Entscheidend ist das Prinzip: Eine quadratische Wechselwirkung wird in ein Integral über einen linearen Operator umgewandelt.

Einführung der Hilfsfelder

Die Integrationsvariablen \(x\) werden als Hilfsfelder bezeichnet. Sie stellen keine zusätzlichen physikalischen Teilchen dar. Es handelt sich um mathematische Variablen, deren statistische Verteilung genutzt wird, um die ursprüngliche Zweiteilchenwechselwirkung exakt oder innerhalb der Zeitschrittnäherung darzustellen.

Nach der Transformation besitzt der Kurzzeitpropagator schematisch die Form

\(e^{-\Delta\tau\hat{H}} = \int d\mathbf{x}\, p(\mathbf{x})\hat{B}(\mathbf{x})\)

Hier ist \(\mathbf{x}\) ein Satz von Hilfsfeldern, \(p(\mathbf{x})\) deren Wahrscheinlichkeitsverteilung und \(\hat{B}(\mathbf{x})\) ein Einteilchenpropagator.

Diese Umformung ist deshalb so wirkungsvoll, weil ein exponentierter Einteilchenoperator eine Slater-Determinante wieder in eine Slater-Determinante überführt. Für jede gezogene Hilfsfeldkonfiguration bleibt der Walker somit mathematisch handhabbar.

Von der Wechselwirkung zum stochastischen Einteilchenproblem

AFQMC beseitigt die Elektron-Elektron-Wechselwirkung nicht. Vielmehr wird ihre Wirkung in statistische Schwankungen der Hilfsfelder übersetzt. Jeder Hilfsfeldpfad erzeugt eine bestimmte Folge von Einteilchenpropagatoren. Durch Mittelung über sehr viele solcher Pfade wird die ursprüngliche Vielteilchendynamik rekonstruiert.

Dieser Schritt erklärt den Namen der Methode unmittelbar: Die Monte-Carlo-Abtastung erfolgt über Hilfsfelder, welche die Wechselwirkung repräsentieren.

Random Walk im Raum der Slater-Determinanten

Walker-Darstellung

Nach Einführung der Hilfsfelder kann die Grundzustandswellenfunktion durch eine Population stochastisch propagierter Slater-Determinanten dargestellt werden:

\(|\Psi\rangle \approx \sum_k w_k |\phi_k\rangle\)

Jede Determinante \(|\phi_k\rangle\) wird als Walker bezeichnet. Der Faktor \(w_k\) ist sein statistisches Gewicht.

Die Walker bewegen sich nicht im gewöhnlichen dreidimensionalen Raum. Der Random Walk findet im hochdimensionalen Raum möglicher Slater-Determinanten statt.

Ein einzelner Propagationsschritt

Ein AFQMC-Schritt lässt sich konzeptionell in wenige Operationen zerlegen. Zunächst wird entsprechend der gewählten Wahrscheinlichkeitsverteilung eine Hilfsfeldkonfiguration gezogen. Daraus wird der Einteilchenpropagator konstruiert. Dieser Propagator wird auf die aktuelle Slater-Determinante angewendet.

Schematisch gilt

\(|\phi'\rangle = \hat{B}(\mathbf{x})|\phi\rangle\)

Gleichzeitig wird das statistische Gewicht des Walkers aktualisiert. Danach beginnt der nächste Zeitschritt mit einer neuen Hilfsfeldkonfiguration.

Nach vielen Schritten und über viele Walker hinweg entsteht eine stochastische Darstellung des projizierten Vielteilchenzustands.

Warum viele Walker benötigt werden

Ein einzelner stochastischer Pfad enthält keine ausreichende Information über den Grundzustand. Erst ein Ensemble vieler unabhängiger oder schwach korrelierter Pfade erlaubt statistisch zuverlässige Mittelwerte.

Die Unsicherheit eines idealen Monte-Carlo-Mittelwerts nimmt ungefähr mit der Quadratwurzel der Zahl unabhängiger Stichproben ab:

\(\sigma_{\bar{A}} \propto \frac{1}{\sqrt{N_{\mathrm{sample}}}}\)

Eine Verdopplung der statistischen Genauigkeit erfordert deshalb typischerweise deutlich mehr als eine Verdopplung der Rechenzeit.

Importance Sampling und Force Bias

Die Trial-Wellenfunktion

Reines Sampling der Hilfsfelder wäre numerisch oft äußerst ineffizient. Viele stochastische Pfade tragen kaum zum tatsächlichen Grundzustand bei, während wenige Pfade sehr große Gewichte erhalten könnten. Diese starken Gewichtsschwankungen erzeugen eine hohe Varianz.

AFQMC verwendet deshalb häufig eine Trial-Wellenfunktion \(|\Psi_T\rangle\). Sie dient als Orientierung für den Random Walk.

Eine wichtige Größe ist die Überlappung

\(\langle\Psi_T|\phi\rangle\)

Sie gibt an, wie stark ein Walker mit der gewählten Referenzwellenfunktion verbunden ist.

Importance Sampling

Beim Importance Sampling wird die Wahrscheinlichkeitsverteilung so verändert, dass statistisch wichtige Regionen häufiger besucht werden. Die mathematische Korrektheit wird durch eine entsprechende Anpassung der Gewichte erhalten.

Dadurch konzentriert sich die Simulation stärker auf Walker, die einen relevanten Beitrag zur gesuchten Wellenfunktion liefern.

Force Bias

Eine weitere Verbesserung ist der sogenannte Force Bias. Statt Hilfsfelder ausschließlich aus ihrer ursprünglichen Verteilung zu ziehen, wird die Verteilung abhängig vom aktuellen Walker und von der Trial-Wellenfunktion verschoben.

Schematisch kann eine verschobene Hilfsfeldvariable als

\(\mathbf{x} \rightarrow \mathbf{x} - \bar{\mathbf{x}}\)

dargestellt werden.

Die optimale Verschiebung wird so gewählt, dass Gewichtsschwankungen reduziert werden. Der Force Bias ändert nicht die zugrunde liegende Physik, sondern erhöht die Effizienz des Monte-Carlo-Samplings.

Das fermionische Sign- und Phasenproblem

Ursprung des Sign-Problems

Das größte fundamentale Hindernis fermionischer Monte-Carlo-Verfahren ist das Sign-Problem. Es entsteht aus der Antisymmetrie fermionischer Wellenfunktionen.

Während bosonische Grundzustände in vielen Darstellungen mit ausschließlich positiven Gewichten behandelt werden können, treten bei Fermionen positive und negative Beiträge auf. Diese Beiträge können sich nahezu vollständig gegenseitig auslöschen.

Ein Erwartungswert kann schematisch als Verhältnis zweier stochastischer Summen geschrieben werden:

\(\langle A\rangle = \frac{\sum_i s_i w_i A_i}{\sum_i s_i w_i}\)

Dabei bezeichnet \(s_i\) ein Vorzeichen. Wenn positive und negative Beiträge nahezu gleich groß werden, nähert sich der Nenner null an. Die statistische Unsicherheit wächst dadurch extrem stark.

Exponentielle Verschlechterung des Signal-Rausch-Verhältnisses

Das Sign-Problem ist nicht lediglich eine gewöhnliche Monte-Carlo-Varianz, die durch etwas mehr Rechenzeit problemlos beseitigt werden kann. In vielen fermionischen Systemen verschlechtert sich das Signal-Rausch-Verhältnis exponentiell mit wachsender Systemgröße oder Projektionszeit.

Eine symbolische Darstellung ist

\(\langle s\rangle \sim e^{-\tau\Delta E}\)

wobei \(\Delta E\) eine charakteristische Energiedifferenz bezeichnet.

Wenn das mittlere Vorzeichen exponentiell klein wird, müsste die Anzahl der Stichproben exponentiell wachsen, um dieselbe Genauigkeit zu erhalten. Dadurch kann ein formal exaktes Verfahren praktisch unbrauchbar werden.

Das Phasenproblem

In realistischen elektronischen Strukturrechnungen entstehen nach der Hubbard-Stratonovich-Transformation häufig komplexe Propagatoren. Die Walker-Gewichte besitzen dann nicht nur positive oder negative Vorzeichen, sondern komplexe Phasen.

Ein Gewicht lässt sich schreiben als

\(w = |w|e^{i\theta}\)

Statt zweier möglicher Vorzeichen existiert nun ein kontinuierlicher Phasenwinkel \(\theta\). Die Walker können sich über die gesamte komplexe Ebene verteilen. Bei unbeschränkter Propagation wird die statistische Rekonstruktion des physikalischen Signals dadurch sehr instabil.

Dieses Problem wird als Phasenproblem bezeichnet und stellt die allgemeine Form des Sign-Problems in komplexen AFQMC-Rechnungen dar.

Constrained-Path und Phaseless AFQMC

Constrained-Path-Näherung

Eine wichtige Strategie zur Kontrolle des Sign-Problems ist die Constrained-Path-Näherung. Dabei wird der Random Walk mithilfe einer Trial-Wellenfunktion eingeschränkt.

Walker werden nur dann weiter propagiert, wenn ihre Überlappung mit der Trial-Wellenfunktion bestimmte Bedingungen erfüllt. In einer vereinfachten reellen Form kann die Bedingung beispielsweise lauten

\(\langle\Psi_T|\phi\rangle > 0\)

Walker, die die erlaubte Region verlassen würden, werden entfernt oder entsprechend behandelt. Dadurch wird verhindert, dass statistisch äquivalente Zustände mit entgegengesetzten Vorzeichen die Simulation dominieren.

Phaseless AFQMC

Bei komplexen Walker-Gewichten wird die Constrained-Path-Idee zur phaseless-Methode erweitert. Die Änderung der Phase eines Walkers kann über das Verhältnis zweier Überlappungen charakterisiert werden:

\(\Delta\theta = \arg\left(\frac{\langle\Psi_T|\phi'\rangle}{\langle\Psi_T|\phi\rangle}\right)\)

In verbreiteten phaseless-Formulierungen wird die Gewichtsentwicklung so modifiziert, dass starke Phasenrotationen unterdrückt werden. Ein typischer Faktor besitzt die Struktur

\(\max(0,\cos(\Delta\theta))\)

Dadurch werden Walker, deren Phase sich zu stark von der durch die Trial-Wellenfunktion definierten Referenz entfernt, abgeschwächt oder entfernt.

Der Preis der Stabilität

Die phaseless-Bedingung macht AFQMC für viele realistische elektronische Strukturprobleme überhaupt erst praktikabel. Sie beseitigt jedoch die mathematische Exaktheit der unbeschränkten Grundzustandsprojektion.

Die Simulation enthält nun einen systematischen Constraint-Bias. Seine Größe hängt unter anderem von der Qualität der Trial-Wellenfunktion und vom untersuchten System ab.

Damit entsteht ein grundlegender Kompromiss: Ohne Constraint ist das Verfahren formal exakter, leidet aber unter einem meist unbeherrschbaren Phasenproblem. Mit Constraint wird die Berechnung numerisch stabil, dafür wird eine kontrollierte Näherung eingeführt.

Bedeutung der Trial-Wellenfunktion

Mehr als nur ein Startzustand

Die Trial-Wellenfunktion besitzt in phaseless AFQMC mehrere Aufgaben gleichzeitig. Sie definiert eine Referenz für Importance Sampling, beeinflusst den Force Bias, unterstützt die Berechnung lokaler Größen und bestimmt wesentlich, wie das Phasenproblem eingeschränkt wird.

Eine bessere Trial-Wellenfunktion bedeutet deshalb häufig eine geringere Varianz und einen kleineren systematischen Constraint-Fehler.

Einzelne Slater-Determinante

Für viele Systeme kann eine einzelne Hartree-Fock- oder DFT-Determinante als Trial-Wellenfunktion verwendet werden. Diese Wahl ist rechnerisch günstig und besonders für Systeme geeignet, deren Grundzustand näherungsweise durch eine dominante elektronische Konfiguration beschrieben werden kann.

Eine einfache Trial-Wellenfunktion bedeutet nicht, dass AFQMC selbst auf eine Ein-Determinanten-Beschreibung reduziert wird. Die eigentliche AFQMC-Wellenfunktion wird weiterhin durch eine große Population stochastisch erzeugter Determinanten repräsentiert.

Mehrdeterminanten-Trial-Zustände

Bei starker statischer Korrelation kann eine einzelne Determinante unzureichend sein. Typische Beispiele sind Bindungsbrüche, Übergangsmetallkomplexe oder Systeme mit nahezu entarteten elektronischen Konfigurationen.

Dann kann eine Trial-Wellenfunktion als Linearkombination mehrerer Determinanten gewählt werden:

\(|\Psi_T\rangle = \sum_I c_I |D_I\rangle\)

Solche Mehrdeterminanten-Zustände können die physikalisch relevante Knoten- oder Phasenstruktur besser erfassen. Der Vorteil ist eine potenziell höhere Genauigkeit. Der Nachteil ist ein größerer numerischer Aufwand bei Überlappungen, Greenschen Funktionen und lokalen Energien.

Berechnung der Energie und anderer Observablen

Mixed Estimator

Die Grundzustandsenergie gehört zu den wichtigsten Größen in AFQMC. Sie kann mithilfe eines Mixed Estimators berechnet werden:

\(E_0 \approx \frac{\langle\Psi_T|\hat{H}|\Psi\rangle}{\langle\Psi_T|\Psi\rangle}\)

Wenn die projizierte Wellenfunktion dem Grundzustand entspricht, liefert dieser Ausdruck für den Hamiltonoperator eine besonders direkte Energieschätzung.

Lokale Energie

Für einen einzelnen Walker wird häufig die lokale Energie definiert:

\(E_L(\phi) = \frac{\langle\Psi_T|\hat{H}|\phi\rangle}{\langle\Psi_T|\phi\rangle}\)

Die Gesamtenergie entsteht dann aus einem gewichteten Mittel der lokalen Energien über die Walker-Population.

Schematisch gilt

\(E \approx \frac{\sum_k w_k E_L(\phi_k)}{\sum_k w_k}\)

Andere Operatoren

Für Operatoren, die nicht mit dem Hamiltonoperator kommutieren, ist der einfache Mixed Estimator im Allgemeinen nicht exakt. Beispiele sind bestimmte Korrelationsfunktionen, Dichtematrizen oder strukturelle Observablen.

Hier kommen Verfahren wie Back Propagation zum Einsatz. Dabei wird die Entwicklung eines Walkers über eine zusätzliche imaginäre Zeitstrecke zurückverfolgt, um eine symmetrischere Information über bra- und ket-Seite des Erwartungswerts zu erhalten.

Formal ist der reine Grundzustandserwartungswert

\(\langle\hat{O}\rangle = \frac{\langle\Psi_0|\hat{O}|\Psi_0\rangle}{\langle\Psi_0|\Psi_0\rangle}\)

Back-Propagation-Verfahren versuchen, diesen Ausdruck stochastisch zu approximieren, ohne die vollständige Grundzustandswellenfunktion explizit konstruieren zu müssen.

Numerische Stabilisierung

Verlust der linearen Unabhängigkeit

Ein Walker kann numerisch als Matrix seiner besetzten Orbitale dargestellt werden. Bei wiederholter Anwendung von Propagatoren werden manche Richtungen im Orbitalraum exponentiell verstärkt und andere unterdrückt.

Ohne Stabilisierung würden die Spalten der Matrix zunehmend linear abhängig. Die Slater-Determinante könnte dann numerisch nicht mehr zuverlässig ausgewertet werden.

QR-Zerlegung und Orthogonalisierung

Deshalb werden die Walker während der Propagation regelmäßig stabilisiert. Eine verbreitete Methode ist die QR-Zerlegung:

\(\Phi = QR\)

Dabei besitzt \(Q\) orthonormale Spalten und \(R\) ist eine obere Dreiecksmatrix.

Die physikalisch relevante Determinanteninformation bleibt erhalten, während schlecht konditionierte Orbitalmatrizen durch numerisch stabile Darstellungen ersetzt werden.

Stabilisierung ist kein optionales Detail

Bei langen Projektionszeiten ist numerische Stabilisierung unverzichtbar. Ohne sie können Rundungsfehler die mathematisch korrekte Projektion vollständig zerstören. Gute AFQMC-Implementierungen müssen deshalb statistische Methodik und lineare Algebra eng miteinander verbinden.

Population Control

Gewichtsschwankungen

Während der imaginären Zeitentwicklung können die Gewichte verschiedener Walker stark auseinanderlaufen. Einige Walker erhalten extrem große Gewichte, andere werden praktisch bedeutungslos.

Wenn nur wenige Walker fast das gesamte statistische Gewicht tragen, verschlechtert sich die effektive Stichprobengröße erheblich.

Branching und Resampling

Population-Control-Verfahren versuchen, diese Entwicklung zu begrenzen. Walker mit großen Gewichten können vervielfältigt werden, wobei das Gewicht entsprechend verteilt wird. Walker mit sehr kleinen Gewichten können entfernt werden.

Die Gesamtpopulation wird dadurch innerhalb eines kontrollierten Bereichs gehalten.

Eine häufig verwendete qualitative Größe zur Bewertung der effektiven Stichprobengröße lautet

\(N_{\mathrm{eff}} = \frac{\left(\sum_i w_i\right)^2}{\sum_i w_i^2}\)

Sind alle Gewichte ähnlich groß, liegt \(N_{\mathrm{eff}}\) nahe an der tatsächlichen Walkerzahl. Wird das Gesamtgewicht von wenigen Walkern dominiert, fällt \(N_{\mathrm{eff}}\) deutlich ab.

Population-Control-Bias

Auch Population Control ist nicht völlig neutral. Zu aggressive Resampling-Schritte oder zu kleine Walker-Populationen können einen zusätzlichen systematischen Fehler erzeugen. Deshalb muss die Konvergenz bezüglich der Walkerzahl überprüft werden.

Statistische und systematische Fehler

Monte-Carlo-Fehler

AFQMC liefert stochastische Ergebnisse. Deshalb müssen Energien und andere Observablen immer mit statistischen Unsicherheiten betrachtet werden.

Für hinreichend unabhängige Messungen sinkt der statistische Fehler typischerweise entsprechend

\(\Delta A \propto \frac{1}{\sqrt{N}}\)

In realen Simulationen sind aufeinanderfolgende Messwerte jedoch häufig korreliert. Die tatsächliche Zahl statistisch unabhängiger Stichproben ist deshalb kleiner als die rohe Anzahl gespeicherter Datenpunkte.

Zeitschrittfehler

Die Trotter-Suzuki-Zerlegung führt bei endlichem \(\Delta\tau\) zu einem systematischen Fehler. Dieser wird untersucht, indem mehrere Zeitschritte verwendet und die Ergebnisse gegen

\(\Delta\tau \rightarrow 0\)

extrapoliert oder auf Konvergenz geprüft werden.

Basisfehler

In Quantenchemie und Festkörperphysik wird der Einteilchenraum durch eine endliche Basis beschrieben. Eine unvollständige Basis erzeugt einen zusätzlichen Fehler, der unabhängig vom Monte-Carlo-Sampling existiert.

AFQMC kann die exakte Lösung innerhalb einer gegebenen Basis sehr genau approximieren, aber keine Informationen erzeugen, die in dieser Basis prinzipiell nicht darstellbar sind.

Constraint-Bias

Bei phaseless AFQMC ist die Einschränkung des Phasenproblems eine weitere Fehlerquelle. Dieser Fehler lässt sich nicht einfach durch mehr Walker oder längere Rechenzeit beseitigen.

Er hängt mit der Trial-Wellenfunktion und der konkreten Form des phaseless Constraints zusammen. Verbesserte Trial-Zustände können den Fehler häufig reduzieren.

Gesamtfehler

Eine seriöse AFQMC-Rechnung muss deshalb verschiedene Fehlerquellen getrennt untersuchen:

  • statistische Unsicherheit,
  • Zeitschrittfehler,
  • Basisfehler,
  • Fehler durch endliche Walker-Population,
  • Fehler durch endliche Projektionszeit,
  • phaseless- oder constrained-path-Bias,
  • Fehler der Trial-Wellenfunktion.

Nur wenn diese Beiträge kontrolliert werden, besitzt ein numerisch präziser Energiewert auch eine belastbare physikalische Bedeutung.

Rechenaufwand und Skalierung

Matrixoperationen als Kern

Ein großer Teil des AFQMC-Rechenaufwands besteht aus Matrixmultiplikationen, Matrixinversionen, Faktorisierungen und der Berechnung von Greenschen Funktionen.

Dadurch eignet sich die Methode gut für moderne numerische Hochleistungsbibliotheken und Beschleunigerarchitekturen.

Abhängigkeit von der Systemgröße

Die genaue Skalierung hängt stark von der Implementierung, der Basis, der Faktorisierung der Zweiteilchenintegrale und der Trial-Wellenfunktion ab. Typische Implementierungen besitzen jedoch eine polynomiale Skalierung mit der Zahl der Orbitale und Elektronen.

Dies unterscheidet AFQMC grundlegend von einer vollständigen Configuration-Interaction-Rechnung, deren Zustandsraum kombinatorisch beziehungsweise effektiv exponentiell wächst.

Polynomiale Skalierung bedeutet allerdings nicht automatisch geringe Rechenkosten. Hochgenaue Berechnungen großer Systeme können erhebliche CPU- oder GPU-Ressourcen benötigen.

Parallelisierung

AFQMC besitzt eine natürliche Parallelstruktur. Viele Walker können über längere Abschnitte weitgehend unabhängig voneinander propagiert werden.

Dadurch lassen sich Walker auf unterschiedliche Prozessorkerne, Rechenknoten oder Grafikprozessoren verteilen. Kommunikation wird vor allem bei globalen Mittelwerten, Populationskontrolle und Lastverteilung benötigt.

Diese Eigenschaft ist ein wichtiger Grund dafür, dass AFQMC für moderne Hochleistungsrechner attraktiv ist.

Faktorisierung der Elektron-Elektron-Wechselwirkung

Problem der Zweiteilchenintegrale

In einer Orbitalbasis besitzt die Elektron-Elektron-Wechselwirkung eine große Zahl von Matrixelementen. Eine naive Speicherung und Verarbeitung aller Vierindexintegrale kann sehr teuer sein.

Deshalb werden die Zweiteilchenintegrale häufig in Produkte niedrigrangiger Strukturen zerlegt.

Cholesky-Zerlegung und verwandte Verfahren

Schematisch kann ein Zweiteilchentensor approximiert werden durch

\(V_{ijkl} \approx \sum_{\gamma} L_{ik}^{\gamma}L_{jl}^{\gamma}\)

Die konkrete Indexstruktur hängt von Konvention und Basisdarstellung ab. Das Ziel bleibt jedoch gleich: Ein hochdimensionaler Wechselwirkungstensor wird durch eine Summe einfacherer Faktoren ersetzt.

Solche Zerlegungen verringern Speicherbedarf und Rechenaufwand und ermöglichen gleichzeitig eine natürliche Konstruktion der für die Hubbard-Stratonovich-Transformation benötigten Einteilchenoperatoren.

Density Fitting und Low-Rank-Ansätze

Density Fitting und andere Low-Rank-Verfahren verfolgen dasselbe Grundprinzip. Die Coulomb-Wechselwirkung wird in einer komprimierten Darstellung behandelt, ohne jedes Vierindexelement explizit zu speichern.

Die Qualität dieser Faktorisierung beeinflusst sowohl Effizienz als auch numerische Genauigkeit moderner AFQMC-Rechnungen.

Finite-Temperature AFQMC

Vom Grundzustand zur thermischen Physik

Die bisher beschriebene Grundzustandsprojektion verwendet große imaginäre Zeiten, um angeregte Zustände zu unterdrücken. AFQMC kann jedoch auch für Systeme bei endlicher Temperatur formuliert werden.

Die zentrale Größe ist dann die Zustandssumme

\(Z = \mathrm{Tr}\left(e^{-\beta\hat{H}}\right)\)

mit

\(\beta = \frac{1}{k_B T}\)

Dabei ist \(T\) die Temperatur und \(k_B\) die Boltzmann-Konstante.

Zerlegung des thermischen Propagators

Auch hier wird die imaginäre Zeit diskretisiert:

\(\beta = L\Delta\tau\)

Damit folgt

\(e^{-\beta\hat{H}} = \left(e^{-\Delta\tau\hat{H}}\right)^L\)

Jeder Kurzzeitpropagator wird erneut durch Trotter-Zerlegung und Hubbard-Stratonovich-Transformation behandelt.

Zusätzliche Schwierigkeiten

Finite-Temperature-AFQMC besitzt eigene numerische Herausforderungen. Bei niedriger Temperatur wird \(\beta\) groß, wodurch sehr lange Produkte von Propagatormatrizen entstehen. Diese Produkte können extrem schlecht konditioniert werden und müssen besonders sorgfältig stabilisiert werden.

Zudem muss entschieden werden, ob im großkanonischen Ensemble mit schwankender Teilchenzahl oder mit expliziter Teilchenzahlprojektion gearbeitet wird.

Anwendungen auf Modell-Hamiltonoperatoren

Hubbard-Modell

Eine der klassischen Anwendungen von Hilfsfeld-Monte-Carlo-Verfahren ist das Hubbard-Modell. Eine einfache Form lautet

\(\hat{H} = -t\sum_{\langle i,j\rangle,\sigma}\left(c_{i\sigma}^\dagger c_{j\sigma} + c_{j\sigma}^\dagger c_{i\sigma}\right) + U\sum_i n_{i\uparrow}n_{i\downarrow}\)

Der Parameter \(t\) beschreibt das Hüpfen von Fermionen zwischen Gitterplätzen. \(U\) beschreibt die lokale Wechselwirkung zweier Fermionen mit entgegengesetztem Spin.

Trotz seiner vergleichsweise einfachen Form kann das Hubbard-Modell komplexe Phänomene wie Magnetismus, Mott-Isolator-Verhalten und starke elektronische Korrelation zeigen.

Warum AFQMC hierfür geeignet ist

Die Wechselwirkung \(Un_{i\uparrow}n_{i\downarrow}\) lässt sich mithilfe einer Hubbard-Stratonovich-Transformation besonders natürlich in Hilfsfelder zerlegen.

Dadurch ist AFQMC ein wichtiges Werkzeug zur Untersuchung korrelierter Fermionengitter. Für bestimmte Symmetrien und Parameterbereiche kann das Sign-Problem sogar vollständig verschwinden. Außerhalb dieser Sonderfälle bleibt es jedoch eine zentrale numerische Herausforderung.

Anwendungen in der Quantenchemie

Molekulare Grundzustandsenergien

In der Quantenchemie wird AFQMC zur Berechnung elektronischer Energien von Atomen und Molekülen eingesetzt. Besonders interessant ist die Methode, wenn sowohl dynamische als auch stärkere statische Korrelationen relevant sind.

Die resultierenden Energien können zur Berechnung von Atomisierungsenergien, Reaktionsenergien, Ionisationsenergien, Elektronenaffinitäten und anderen chemischen Größen verwendet werden.

Bindungsbruch

Ein klassisches Problem vieler Einreferenzmethoden ist die Dissoziation chemischer Bindungen. In Gleichgewichtsnähe kann häufig eine einzige Slater-Determinante dominieren. Bei wachsendem Atomabstand werden jedoch mehrere elektronische Konfigurationen energetisch ähnlich wichtig.

Eine Methode, die ausschließlich auf einer einzigen Referenzkonfiguration basiert, kann dann qualitativ versagen.

AFQMC besitzt hier einen wichtigen Vorteil: Die projizierte Wellenfunktion selbst ist keine einzelne Determinante. Sie wird als Ensemble vieler Determinanten repräsentiert. Mit einer geeigneten Trial-Wellenfunktion können deshalb auch Bindungsbruchprobleme behandelt werden.

Übergangsmetalle

Übergangsmetallverbindungen gehören zu den anspruchsvollsten Problemen der elektronischen Strukturtheorie. Teilweise gefüllte d-Orbitale, kleine Energieabstände zwischen verschiedenen Spin- und Oxidationszuständen sowie konkurrierende elektronische Konfigurationen führen häufig zu starker Korrelation.

AFQMC ist für solche Systeme interessant, weil es eine explizite Vielteilchenbehandlung mit vergleichsweise günstiger Skalierung verbindet. Die Qualität der Trial-Wellenfunktion ist hier allerdings besonders wichtig.

Anwendungen in Festkörpern und Materialien

Periodische Systeme

AFQMC kann nicht nur endliche Moleküle, sondern auch periodische Festkörper behandeln. Hier werden häufig ebene Wellen, lokalisierte Orbitale oder andere periodische Basisfunktionen eingesetzt.

Zielgrößen können kohäsive Energien, Phasenenergien, magnetische Zustände und elektronische Eigenschaften korrelierter Materialien sein.

Korrelation jenseits gewöhnlicher DFT

Die Dichtefunktionaltheorie ist für Materialberechnungen äußerst erfolgreich, ihre Ergebnisse hängen jedoch vom verwendeten Austausch-Korrelationsfunktional ab. Besonders bei starker Korrelation können verschiedene Funktionale deutlich unterschiedliche Resultate liefern.

AFQMC behandelt die Vielteilchenwechselwirkung direkter und kann deshalb als hochgenaue Referenzmethode für ausgewählte Festkörperprobleme dienen.

Der Preis dafür ist ein erheblich höherer Rechenaufwand.

Endliche Größe und Twist Averaging

Bei periodischen AFQMC-Rechnungen wird häufig eine endliche Simulationszelle verwendet. Dadurch entstehen Finite-Size-Effekte.

Eine Möglichkeit, Einteilchenanteile dieser Fehler zu reduzieren, besteht darin, verschiedene Randbedingungen beziehungsweise Twist-Winkel zu mitteln.

Ein gemittelter Erwartungswert kann schematisch als

\(\langle A\rangle_{\mathrm{TA}} = \frac{1}{N_{\theta}}\sum_{\theta} A(\theta)\)

geschrieben werden.

Zusätzliche Korrekturen können erforderlich sein, um langreichweitige Zweiteilcheneffekte zu kontrollieren.

Vergleich mit anderen elektronischen Strukturmethoden

AFQMC und Dichtefunktionaltheorie

DFT verwendet die Elektronendichte als zentrale Variable und ist für große Systeme vergleichsweise günstig. Der Rechenaufwand von AFQMC ist erheblich höher.

Dafür hängt AFQMC nicht von einem empirisch oder semilokal gewählten Austausch-Korrelationsfunktional ab. Die wesentlichen Näherungen entstehen an anderen Stellen, vor allem durch Basiswahl, endlichen Zeitschritt und phaseless Constraint.

DFT eignet sich deshalb besonders für große Materialsysteme und Screening-Aufgaben. AFQMC wird eher eingesetzt, wenn höhere Vielteilchengenauigkeit erforderlich ist.

AFQMC und Coupled Cluster

Coupled-Cluster-Methoden gehören zu den präzisesten Verfahren der Quantenchemie für Systeme, die durch eine dominante Referenzdeterminante beschrieben werden können.

Eine typische Coupled-Cluster-Wellenfunktion besitzt die Form

\(|\Psi_{\mathrm{CC}}\rangle = e^{\hat{T}}|\Phi_0\rangle\)

mit einem Clusteroperator \(\hat{T}\).

Methoden wie CCSD(T) erreichen für viele schwach bis moderat korrelierte Moleküle sehr hohe Genauigkeit. Bei ausgeprägtem Multireferenzcharakter können Einreferenz-Coupled-Cluster-Verfahren jedoch schwieriger werden.

AFQMC verfolgt keinen deterministischen Clusteransatz, sondern eine stochastische Grundzustandsprojektion. Beide Methoden besitzen daher unterschiedliche Stärken und Fehlerprofile.

AFQMC und Diffusion Monte Carlo

Diffusion Monte Carlo arbeitet typischerweise mit einer stochastischen Darstellung der Wellenfunktion im Realraum. Für Fermionen wird häufig die Fixed-Node-Näherung eingesetzt.

AFQMC arbeitet dagegen üblicherweise im Raum der Slater-Determinanten und kontrolliert das Fermionproblem durch constrained-path- oder phaseless-Näherungen.

Beide Verfahren sind projektive Monte-Carlo-Methoden und können hohe Genauigkeit liefern. Die Art der Repräsentation und die systematische Fermion-Näherung unterscheiden sich jedoch grundlegend.

AFQMC und exakte Diagonalisierung

Exakte Diagonalisierung bestimmt die Eigenzustände eines endlichen Hamiltonoperators direkt. Innerhalb des gewählten Hilbertraums liefert sie exakte Ergebnisse.

Ihr entscheidender Nachteil ist die exponentielle beziehungsweise kombinatorische Skalierung des Zustandsraums.

AFQMC vermeidet die explizite Speicherung sämtlicher Basiszustände. Dadurch können deutlich größere Systeme behandelt werden. Die phaseless-Näherung bedeutet jedoch, dass das Ergebnis nicht in jedem Fall streng exakt ist.

AFQMC und DMRG

Die Density Matrix Renormalization Group ist besonders leistungsfähig für eindimensionale Systeme und für Probleme mit geeigneter Entanglement-Struktur. In der Quantenchemie wird sie auch für große aktive Räume eingesetzt.

AFQMC besitzt eine andere Repräsentation des Vielteilchenzustands und ist nicht auf eine Matrixproduktstruktur festgelegt. Welche Methode überlegen ist, hängt stark von Geometrie, Korrelation, Basis und gewünschter Observable ab.

Stärken von AFQMC

Explizite Vielteilchenbehandlung

AFQMC basiert direkt auf dem Vielteilchen-Hamiltonoperator. Elektronische Korrelation wird nicht über ein Dichtefunktional modelliert, sondern entsteht aus der stochastischen Grundzustandsprojektion des wechselwirkenden Systems.

Günstiges Verhältnis zwischen Genauigkeit und Skalierung

Die Methode kann bei geeigneten Implementierungen eine hohe Genauigkeit erreichen, ohne den vollständigen exponentiell großen Hilbertraum zu speichern.

Gerade für Systeme mittlerer bis größerer Größe ist dieses Verhältnis zwischen Vielteilchengenauigkeit und Rechenaufwand attraktiv.

Breites Anwendungsspektrum

AFQMC kann auf Gittermodelle, Moleküle, Übergangsmetallverbindungen, periodische Festkörper und thermische Vielteilchensysteme angewendet werden.

Diese methodische Breite unterscheidet AFQMC von Verfahren, die nur in bestimmten Dimensionen, Basistypen oder Korrelationsregimen besonders effizient sind.

Gute Parallelisierbarkeit

Die Walker-basierte Struktur eignet sich sehr gut für massiv parallele Rechnungen. Dadurch kann AFQMC moderne CPU-Cluster und GPU-Systeme effizient nutzen.

Grenzen von AFQMC

Das Phasenproblem bleibt fundamental

Die wichtigste Grenze ist das Fermion- beziehungsweise Phasenproblem. Phaseless AFQMC kontrolliert dieses Problem sehr erfolgreich, beseitigt es aber nicht mathematisch exakt.

Abhängigkeit von der Trial-Wellenfunktion

Die Genauigkeit kann von der Qualität des Trial-Zustands abhängen. Für einfache Systeme reicht häufig eine einzelne Determinante. Bei starker Korrelation können erheblich komplexere Trial-Zustände erforderlich werden.

Hoher technischer Aufwand

AFQMC ist algorithmisch anspruchsvoller als viele Standardmethoden. Eine robuste Implementierung benötigt effiziente lineare Algebra, Zufallszahlengenerierung, Stabilisierung, Population Control, Parallelisierung und sorgfältige Fehleranalyse.

Monte-Carlo-Rauschen

Im Gegensatz zu deterministischen elektronischen Strukturmethoden liefert AFQMC statistische Ergebnisse. Kleine Energiedifferenzen können deshalb lange Simulationen erfordern, wenn die statistische Unsicherheit deutlich kleiner als die gesuchte Energiedifferenz werden muss.

Moderne Weiterentwicklungen

Verbesserte Trial-Zustände

Ein wichtiger Forschungsbereich ist die Entwicklung besserer Trial-Wellenfunktionen bei vertretbarem Rechenaufwand. Dazu gehören ausgewählte Mehrdeterminanten-Expansionen, aktive-Raum-Methoden und andere kompakte Vielteilchenansätze.

Das Ziel ist nicht unbedingt eine bereits extrem genaue Trial-Wellenfunktion. Entscheidend ist vielmehr, die für das phaseless Constraint relevante Struktur des Zustands ausreichend gut zu erfassen.

Selbstkonsistente Verfahren

Bei selbstkonsistenten AFQMC-Ansätzen werden aus einer ersten AFQMC-Rechnung Informationen gewonnen, die anschließend zur Verbesserung der Einteilchenbeschreibung oder der Trial-Wellenfunktion verwendet werden.

Ein vereinfachtes Iterationsschema lässt sich darstellen als

\(\Psi_T^{(n)} \rightarrow \mathrm{AFQMC} \rightarrow \rho^{(n)} \rightarrow \Psi_T^{(n+1)}\)

Hier steht \(\rho^{(n)}\) beispielhaft für eine aus AFQMC gewonnene Dichte oder Dichtematrix.

GPU-Beschleunigung

Viele zentrale AFQMC-Operationen sind dichte Matrixoperationen. Diese lassen sich auf Grafikprozessoren besonders effizient ausführen.

GPU-basierte Implementierungen können deshalb den erreichbaren Systemumfang erheblich vergrößern oder bei gleicher Systemgröße deutlich bessere Statistik ermöglichen.

Low-Rank-Methoden

Moderne Faktorisierungsverfahren versuchen, die Zahl benötigter Hilfsfelder und den Aufwand zur Berechnung lokaler Energien zu reduzieren. Dies ist besonders relevant, weil Zweiteilchenbeiträge in großen Orbitalbasen einen wesentlichen Anteil der Gesamtkosten verursachen.

AFQMC und Quantencomputer

AFQMC ist ein klassischer Algorithmus

Obwohl AFQMC Quantensysteme simuliert und zur Quantenwissenschaft gehört, ist die Standardform von AFQMC kein Quantenalgorithmus. Die Berechnung läuft auf klassischen Computern.

Slater-Determinanten, Hilfsfelder, Walker-Gewichte und Monte-Carlo-Prozesse werden klassisch gespeichert und verarbeitet.

Warum AFQMC trotzdem für Quantentechnologie relevant ist

Quantencomputer und Quantensimulatoren benötigen präzise klassische Referenzdaten. AFQMC kann solche Daten für korrelierte Vielteilchensysteme liefern.

Dies ist unter anderem für die Validierung neuer Quantenalgorithmen, für Benchmark-Systeme und für die Untersuchung von Modellen relevant, die später auf Quantengeräten simuliert werden sollen.

Hybride Möglichkeiten

Eine langfristig interessante Richtung besteht darin, klassische AFQMC-Verfahren mit Informationen aus Quantenprozessoren zu kombinieren.

Ein Quantengerät könnte beispielsweise einen korrelierten Trial-Zustand oder bestimmte reduzierte Vielteilcheninformationen erzeugen. AFQMC könnte diese Informationen anschließend innerhalb einer klassischen Grundzustandsprojektion nutzen.

Die grundsätzliche Idee wäre

\(|\Psi_T\rangle_{\mathrm{quantum}} \rightarrow \mathrm{AFQMC}_{\mathrm{classical}} \rightarrow E_0\)

Ob solche hybriden Verfahren praktisch einen Vorteil gegenüber vollständig klassischen Methoden bieten, hängt von Hardwarequalität, Messaufwand, Zustandsdarstellung und Fehlerkorrektur ab. Die Verbindung ist deshalb wissenschaftlich interessant, aber nicht automatisch ein Nachweis eines Quantenvorteils.

Was AFQMC konzeptionell besonders macht

Die Wechselwirkung wird nicht vernachlässigt

Der wichtigste konzeptionelle Punkt von AFQMC liegt darin, dass die komplizierte Zweiteilchenwechselwirkung nicht einfach entfernt oder durch ein mittleres Feld ersetzt wird.

Sie wird durch die Hubbard-Stratonovich-Transformation in Fluktuationen zusätzlicher Felder übersetzt. Für eine einzelne Hilfsfeldkonfiguration sieht das Problem wie eine Einteilchenpropagation aus. Die Vielteilchenkorrelation steckt in der statistischen Gesamtheit aller möglichen Feldkonfigurationen.

Deterministische Einfachheit und stochastische Komplexität

Jeder einzelne Walker bleibt eine mathematisch einfache Slater-Determinante. Die komplexe korrelierte Wellenfunktion entsteht erst aus der Überlagerung sehr vieler solcher Walker.

Das ist ein wiederkehrendes Prinzip moderner Vielteilchenphysik: Nicht jedes einzelne Element der numerischen Darstellung muss kompliziert sein. Entscheidend ist die statistische Struktur des Ensembles.

AFQMC verschiebt die Schwierigkeit

AFQMC löst das exponentielle Hilbertraumproblem nicht dadurch, dass es jede Komplexität verschwinden lässt. Stattdessen wird die Schwierigkeit verschoben.

Aus der exponentiell großen Determinantenexpansion wird ein hochdimensionales stochastisches Integrationsproblem. Dieses Problem ist in vielen Fällen wesentlich besser beherrschbar, wird aber durch das fermionische Phasenproblem begrenzt.

Genau diese Verschiebung der mathematischen Schwierigkeit macht die Methode zugleich leistungsfähig und anspruchsvoll.

Praktischer Ablauf einer AFQMC-Rechnung

Vorbereitung

Am Anfang steht die Definition des Hamiltonoperators. In einer quantenchemischen Rechnung werden dazu beispielsweise Ein- und Zweiteilchenintegrale in einer gewählten Orbitalbasis erzeugt.

Anschließend wird eine Trial-Wellenfunktion bestimmt. Diese kann aus Hartree-Fock, DFT, einem aktiven Raum oder einem anderen elektronischen Strukturverfahren stammen.

Initialisierung der Walker

Eine Population von Walker-Determinanten wird erzeugt. Häufig starten viele Walker aus derselben Trial- oder Referenzdeterminante, entwickeln sich anschließend durch unabhängige Hilfsfelder aber in unterschiedliche Richtungen.

Equilibration

Die erste Phase der imaginären Zeitentwicklung dient der Projektion weg vom Anfangszustand. Messwerte aus dieser Equilibrationsphase werden normalerweise nicht für die endgültige Statistik verwendet.

Produktionsphase

Nach ausreichender Equilibrierung werden lokale Energien und andere Observablen gesammelt. Gleichzeitig laufen Importance Sampling, phaseless Constraint, Stabilisierung und Population Control weiter.

Statistische Analyse

Die Rohdaten werden blockweise ausgewertet, um Autokorrelationen zu berücksichtigen. Das Ergebnis wird nicht nur als einzelner Zahlenwert, sondern mit statistischer Unsicherheit angegeben.

Eine Energie sollte deshalb beispielsweise in der Form

\(E = \bar{E} \pm \Delta E\)

interpretiert werden.

Konvergenztests

Eine einzelne AFQMC-Rechnung reicht für eine belastbare Aussage häufig nicht aus. Der Zeitschritt, die Walkerzahl, die Projektionslänge, die Basis und gegebenenfalls die Trial-Wellenfunktion müssen systematisch geprüft werden.

Nur so kann unterschieden werden, ob eine beobachtete Energiedifferenz physikalisch ist oder aus numerischen Parametern stammt.

Reproduzierbarkeit und wissenschaftliche Bewertung

Notwendige Angaben

Eine nachvollziehbare AFQMC-Studie sollte mindestens dokumentieren, welcher Hamiltonoperator, welche Basis und welche Trial-Wellenfunktion verwendet wurden.

Darüber hinaus sind Zeitschritt, Zahl der Walker, Länge der Equilibrations- und Produktionsphase, Populationskontrolle, verwendetes Constraint und statistische Fehler relevant.

Benchmarking

AFQMC-Ergebnisse sollten, wenn möglich, gegen unabhängige hochgenaue Methoden verglichen werden. Für kleine Systeme können dies exakte Diagonalisierung oder Full Configuration Interaction sein. Für geeignete Moleküle kommen hochwertige Coupled-Cluster-Ergebnisse infrage.

Solche Benchmarks zeigen, wie groß der phaseless-Bias für bestimmte Systemklassen tatsächlich ist.

Keine universelle Methode

AFQMC ist keine grundsätzlich beste Methode für jedes Quantenproblem. Kleine Systeme können mit exakten Verfahren effizienter behandelt werden. Sehr große schwach korrelierte Systeme sind oft mit DFT wesentlich günstiger zu berechnen. Eindimensionale stark verschränkte Systeme können für DMRG besonders geeignet sein.

Die Stärke von AFQMC liegt in einem Bereich, in dem explizite Korrelation, relativ große Systeme und hohe Genauigkeit gleichzeitig gefordert sind.

Fazit

Auxiliary-Field Quantum Monte Carlo ist ein leistungsfähiger Ansatz zur numerischen Lösung fermionischer Vielteilchenprobleme. Seine zentrale Idee besteht darin, die schwierige Zweiteilchenwechselwirkung mithilfe der Hubbard-Stratonovich-Transformation in ein stochastisches Integral über Hilfsfelder umzuwandeln.

Dadurch kann der Vielteilchenzustand als Population von Slater-Determinanten propagiert werden. Jeder einzelne Walker bleibt vergleichsweise einfach, während die Korrelation des Systems durch die statistische Gesamtheit vieler Hilfsfeldpfade entsteht.

Die Grundzustandsinformation wird durch imaginäre Zeitprojektion gewonnen. Angeregte Zustände werden dabei exponentiell unterdrückt, sodass langfristig der Grundzustand dominiert. Trotter-Suzuki-Zerlegung, Importance Sampling, Force Bias, Population Control und numerische Matrixstabilisierung bilden die wichtigsten algorithmischen Komponenten einer praktischen Implementierung.

Die fundamentale Schwierigkeit bleibt das fermionische Sign- beziehungsweise Phasenproblem. Ohne zusätzliche Einschränkung kann das statistische Signal exponentiell zusammenbrechen. Constrained-Path- und phaseless-Verfahren kontrollieren dieses Problem, führen dafür aber einen systematischen Fehler ein, der insbesondere von der verwendeten Trial-Wellenfunktion abhängt.

AFQMC ist deshalb weder streng exakt unter allen praktischen Bedingungen noch einfach nur eine weitere approximative Einteilchenmethode. Es handelt sich um eine stochastische Vielteilchenprojektion, deren zentrale Näherungen klar identifiziert und systematisch untersucht werden können.

Die Methode ist besonders interessant für Moleküle, Bindungsbruchprobleme, Übergangsmetalle, stark korrelierte Modell-Hamiltonoperatoren und periodische Materialien. Ihre polynomiale algorithmische Skalierung und die gute Parallelisierbarkeit machen sie für moderne Hochleistungsrechner attraktiv.

AFQMC zeigt zugleich eine grundsätzliche Strategie der numerischen Quantenphysik: Ein exponentiell großer Vielteilchenraum wird nicht vollständig konstruiert, sondern stochastisch erkundet. Die Elektron-Elektron-Wechselwirkung wird nicht ignoriert, sondern durch fluctuierende Hilfsfelder repräsentiert. Damit verwandelt AFQMC ein schwer zugängliches deterministisches Vielteilchenproblem in ein statistisch lösbares Einteilchenensemble.

Seine Leistungsfähigkeit hängt entscheidend davon ab, ob das Phasenproblem kontrolliert werden kann, ohne die physikalische Lösung zu stark zu verzerren. Genau an dieser Grenze zwischen kontrollierter Näherung, stochastischer Effizienz und fundamentaler fermionischer Komplexität liegt die wissenschaftliche Bedeutung von Auxiliary-Field Quantum Monte Carlo.

Mit freundlichen Grüßen Jörg-Owe Schneppat

Anhang

Wissenschaftliche Zeitschriften und Artikel

Die folgende Auswahl konzentriert sich auf belastbare Primärliteratur, methodische Schlüsselarbeiten, Übersichtsartikel und moderne Spezialpublikationen zu Auxiliary-Field Quantum Monte Carlo. Für eine wissenschaftliche Abhandlung sollten insbesondere die Originalarbeiten zur Hubbard-Stratonovich-Transformation, zum Constrained-Path-Verfahren und zur phaseless-Näherung als Primärquellen verwendet werden. Neuere Reviews und Benchmarkstudien eignen sich dagegen besonders zur Einordnung des heutigen Leistungsstands, der Fehlerquellen und der praktischen Anwendungsgebiete.

Grundlegende Primärliteratur zu Hilfsfeldern und fermionischem Monte Carlo

  • J. Hubbard: Calculation of Partition Functions, Physical Review Letters, 1959.
    • Historische Grundlagenarbeit zur Transformation wechselwirkender Vielteilchenprobleme in Darstellungen mit zusätzlichen Feldern. Die nach Hubbard und Stratonovich benannte Transformation bildet das mathematische Fundament von AFQMC, da sie die Behandlung von Zweiteilchenwechselwirkungen durch stochastisch abgetastete Einteilchenpropagatoren ermöglicht.
  • R. Blankenbecler, D. J. Scalapino, R. L. Sugar: Monte Carlo Calculations of Coupled Boson-Fermion Systems. I, Physical Review D, 1981.
    • Eine der grundlegenden Arbeiten für determinantenbasierte Hilfsfeld-Monte-Carlo-Verfahren. Sie zeigt, wie fermionische Freiheitsgrade in einer Hilfsfelddarstellung behandelt und effektive statistische Gewichte erzeugt werden können. Die Arbeit eignet sich zur historischen und algorithmischen Einordnung der späteren AFQMC-Methoden.

Grundlegende Primärliteratur zu Constrained-Path und phaseless AFQMC

  • Shiwei Zhang, J. Carlson, J. E. Gubernatis: Constrained Path Monte Carlo Method for Fermion Ground States, Physical Review B, 1997.
    • Zentrale Primärarbeit zum Constrained-Path-Ansatz. Die Autoren formulieren die Grundzustandsprojektion als Random Walk in einer übervollständigen Basis von Slater-Determinanten und kontrollieren das fermionische Sign-Problem mithilfe einer Trial-Wellenfunktion. Diese Quelle ist besonders wichtig für die Abschnitte über Walker, Importance Sampling, Trial-Zustände und Sign-Problem.
  • Shiwei Zhang, Henry Krakauer: Quantum Monte Carlo Method Using Phase-Free Random Walks with Slater Determinants, Physical Review Letters, 2003.
    • Schlüsselpublikation zur phaseless-AFQMC-Methode für komplexe Hilfsfelder und realistische elektronische Strukturprobleme. Die Arbeit beschreibt, wie das kontinuierliche Phasenproblem mithilfe einer Trial-Wellenfunktion kontrolliert werden kann. Sie sollte als Primärquelle für die Erklärung der phaseless-Näherung und des damit verbundenen systematischen Bias verwendet werden.

Übersichtsarbeiten zu AFQMC und elektronischer Struktur

  • Mario Motta, Shiwei Zhang: Ab initio Computations of Molecular Systems by the Auxiliary-Field Quantum Monte Carlo Method, WIREs Computational Molecular Science, 2018.
    • Umfassende Übersichtsarbeit speziell zu ab-initio-AFQMC für Moleküle. Behandelt Grundzustandsprojektion, Hubbard-Stratonovich-Transformation, Importance Sampling, phaseless Constraint, Trial-Wellenfunktionen und Anwendungen. Diese Quelle eignet sich hervorragend als methodische Sekundärquelle für die gesamte Abhandlung.
  • Hao Shi, Shiwei Zhang: Some Recent Developments in Auxiliary-Field Quantum Monte Carlo for Real Materials, The Journal of Chemical Physics, 2021.
    • Methodisch besonders wertvolle Übersicht für AFQMC in realistischen Materialien. Behandelt unter anderem die Konstruktion des Hamiltonoperators, Grundzustandsprojektion, phaseless Approximation, Mehrdeterminanten-Trial-Wellenfunktionen, Messung von Observablen und selbstkonsistente Constraints. Für die Abschnitte zu Festkörpern, modernen Implementierungen und systematischer Verbesserung besonders geeignet.
  • W. M. C. Foulkes, L. Mitas, R. J. Needs, G. Rajagopal: Quantum Monte Carlo Simulations of Solids, Reviews of Modern Physics, 2001.
    • Grundlegender Review zu Quantum-Monte-Carlo-Methoden für elektronische Vielteilchensysteme. Der Schwerpunkt liegt nicht ausschließlich auf AFQMC, doch die Arbeit ist sehr hilfreich, um projektive Monte-Carlo-Verfahren, fermionische Probleme, statistische Fehler und den Vergleich mit anderen QMC-Ansätzen fachlich einzuordnen.

Spezialisierte Arbeiten zu AFQMC bei endlicher Temperatur

  • Yuan-Yao He, Mingpu Qin, Hao Shi, Zhong-Yi Lu, Shiwei Zhang: Finite-Temperature Auxiliary-Field Quantum Monte Carlo: Self-Consistent Constraint and Systematic Approach to Low Temperatures, Physical Review B, 2019.
    • Wichtige Spezialarbeit zur Finite-Temperature-AFQMC-Formulierung. Sie behandelt die Kontrolle des Sign-Problems bei endlicher Temperatur und einen selbstkonsistenten Constraint. Die Quelle ist besonders für die Erweiterung von Grundzustands-AFQMC auf thermische Ensembles geeignet.
  • Tong Shen, Yuan Liu, Yang Yu, Brenda M. Rubenstein: Finite Temperature Auxiliary Field Quantum Monte Carlo in the Canonical Ensemble, The Journal of Chemical Physics, 2020.
    • Diese Arbeit behandelt AFQMC bei endlicher Temperatur mit fester Teilchenzahl. Sie eignet sich zur Vertiefung der kanonischen Formulierung, der Teilchenzahlprojektion und der numerischen Besonderheiten thermischer AFQMC-Rechnungen.

Spezialisierte Arbeiten zu Quantenchemie, Materialien und Benchmarks

  • Zoran Sukurma, Martin Schlipf, Moritz Humer, Amir Taheridehkordi, Georg Kresse: Benchmark Phaseless Auxiliary-Field Quantum Monte Carlo Method for Small Molecules, Journal of Chemical Theory and Computation, 2023.
    • Moderne Benchmarkstudie zur Genauigkeit und Skalierbarkeit von phaseless AFQMC für Moleküle. Die Untersuchung ist besonders wertvoll für die Bewertung von systematischen Fehlern, Trial-Wellenfunktionen und erreichbarer chemischer Genauigkeit. Sie kann für den Abschnitt über Stärken und Grenzen der Methode herangezogen werden.
  • Amir Taheridehkordi, Martin Schlipf, Zoran Sukurma, Moritz Humer, Andreas Grüneis, Georg Kresse: Phaseless Auxiliary Field Quantum Monte Carlo with Projector-Augmented Wave Method for Solids, The Journal of Chemical Physics, 2023.
    • Spezialpublikation zur Anwendung von phaseless AFQMC auf periodische Festkörper in Verbindung mit der Projector-Augmented-Wave-Methode. Sie ist relevant für Fragen der Skalierung, Orbitalreduktion, periodischen Randbedingungen und praktischen Materialsimulation.

Spezialisierte Arbeiten zu Software und Hochleistungsrechnen

  • Fionn D. Malone, Ankit Mahajan, James S. Spencer, Joonho Lee: ipie: A Python-Based Auxiliary-Field Quantum Monte Carlo Program with Flexibility and Efficiency on CPUs and GPUs, Journal of Chemical Theory and Computation, 2023.
    • Wichtige Publikation zur modernen praktischen Implementierung von AFQMC. Die Arbeit beschreibt CPU- und GPU-Ausführung, Schnittstellen zur Quantenchemie und den Einsatz großer Mehrdeterminanten-Trial-Wellenfunktionen. Sie eignet sich hervorragend für die Abschnitte über numerische Umsetzung, Parallelisierung und Softwarearchitektur.
  • Tong Jiang, Moritz K. A. Baumgarten, Pierre-François Loos, Ankit Mahajan, Anthony Scemama, Shu Fay Ung, Jinghong Zhang, Fionn D. Malone, Joonho Lee: Improved Modularity and New Features in ipie: Toward Even Larger AFQMC Calculations on CPUs and GPUs at Zero and Finite Temperatures, The Journal of Chemical Physics, 2024.
    • Aktuelle Weiterentwicklung des ipie-Frameworks mit Schwerpunkt auf großen verteilten AFQMC-Rechnungen, GPU-Unterstützung sowie Grundzustands- und Finite-Temperature-Anwendungen. Die Quelle ist besonders für den Stand moderner Hochleistungsimplementierungen relevant.

Aktuelle methodische Weiterentwicklungen

  • Maxine Luo, Victor Chen, Yu Wang, Christian B. Mendl: Efficient Auxiliary-Field Quantum Monte Carlo Using Isometric Tensor Hypercontraction, Journal of Chemical Theory and Computation, 2026.
    • Aktuelle Spezialarbeit zur Reduktion von Rechenaufwand und Speicherbedarf in AFQMC durch isometrische Tensor-Hyperkontraktion. Sie zeigt, wie moderne Low-Rank- und Tensorfaktorisierungen die Propagation und Berechnung lokaler Energien beschleunigen können. Für den Abschnitt über moderne Entwicklungen, Skalierung und künftige AFQMC-Architekturen besonders relevant.

Bücher und Monographien

AFQMC ist methodisch eng mit Vielteilchenphysik, zweiter Quantisierung, elektronischer Strukturtheorie, stochastischer Integration und anderen Quantum-Monte-Carlo-Verfahren verbunden. Die folgenden Werke sind deshalb vor allem als Grundlagen- und Hintergrundliteratur geeignet. Sie ersetzen AFQMC-spezifische Primärliteratur nicht, liefern aber die mathematischen und physikalischen Voraussetzungen für ein tieferes Verständnis der Methode.

Standardwerke zu Quantum Monte Carlo

  • M. P. Nightingale, Cyrus J. Umrigar (Hrsg.): Quantum Monte Carlo Methods in Physics and Chemistry, Springer/Kluwer Academic Publishers, 1999.
    • Umfangreiche Sammlung fortgeschrittener Beiträge zu Quantum-Monte-Carlo-Verfahren in Physik und Chemie. Das Werk eignet sich zur Einordnung von AFQMC in die größere Familie stochastischer Vielteilchenverfahren und behandelt zentrale Themen wie Grundzustandsberechnung, statistisches Sampling und fermionische Systeme.
  • B. L. Hammond, W. A. Lester Jr., P. J. Reynolds: Monte Carlo Methods in Ab Initio Quantum Chemistry, World Scientific, 1994.
    • Grundlagenwerk zu Monte-Carlo-Methoden in der elektronischen Strukturtheorie. Besonders nützlich sind die Abschnitte zu Random Walks, Trial-Wellenfunktionen, Greenschen Funktionen, Fermionen und statistischen Fehlern. Das Buch eignet sich als Hintergrundquelle für die konzeptionelle Einordnung von AFQMC gegenüber anderen QMC-Verfahren.

Hintergrundliteratur zu elektronischer Strukturtheorie

  • Trygve Helgaker, Poul Jørgensen, Jeppe Olsen: Molecular Electronic-Structure Theory, John Wiley & Sons, 2000.
    • Umfassendes Standardwerk zur modernen elektronischen Strukturtheorie. Besonders relevant für AFQMC sind die Kapitel über zweite Quantisierung, Slater-Determinanten, Hartree-Fock-Theorie, Configuration Interaction, Mehrkonfigurationsmethoden, Basissätze und elektronische Matrixelemente. Das Werk ist ideal, um die quantenchemischen Grundlagen der AFQMC-Hamiltonoperatoren und Trial-Wellenfunktionen zu belegen.

Standardwerke zur Vielteilchenphysik und zu Funktionalintegralen

  • John W. Negele, Henri Orland: Quantum Many-Particle Systems, CRC Press, 1998.
    • Klassisches Werk zur quantenmechanischen Vielteilchentheorie. Die Behandlung von zweiter Quantisierung, endlicher Temperatur, Greenschen Funktionen, Funktionalintegralen und stochastischen Methoden liefert den theoretischen Hintergrund für die Imaginärzeitdarstellung und Hilfsfeldmethoden. Besonders geeignet als Grundlagenliteratur für die mathematische Herleitung von AFQMC.

Vorlesungsnotizen und monographie-nahe Ressourcen

  • Fakher F. Assaad, Hans Gerd Evertz: World-Line and Determinantal Quantum Monte Carlo Methods for Spins, Phonons and Electrons, in Computational Many-Particle Physics, Lecture Notes in Physics 739, Springer, 2008.
    • Ausführliche methodische Darstellung von Determinantal- und Auxiliary-Field-Quantum-Monte-Carlo-Verfahren für Gittermodelle. Die Quelle ist besonders hilfreich für die Verbindung zwischen Pfadintegralformulierung, imaginärer Zeit, Hubbard-Stratonovich-Transformation, Fermiondeterminanten und Sign-Problem.

Online-Ressourcen und Datenbanken

Online-Ressourcen sollten in einer wissenschaftlichen Abhandlung vor allem für die Recherche, Reproduzierbarkeit, Softwaredokumentation und das Auffinden aktueller Publikationen genutzt werden. Für grundlegende theoretische Aussagen bleiben peer-reviewte Originalarbeiten und Fachbücher die bevorzugten Quellen. Dokumentationen etablierter Forschungssoftware sind dagegen besonders wertvoll, wenn konkrete Implementierungsdetails, Eingabeformate oder reproduzierbare Workflows erläutert werden sollen.

Lern- und Forschungsplattformen zu AFQMC

  • QMCPACK Collaboration: Auxiliary-Field Quantum Monte Carlo Documentation, QMCPACK, laufend aktualisiert.
    • Technische Dokumentation einer etablierten Open-Source-QMC-Software mit eigener AFQMC-Implementierung. Sie beschreibt die orbitalbasierte AFQMC-Formulierung, phaseless Propagation, Hamiltondarstellungen, Walker, Trial-Wellenfunktionen und praktische Eingabeparameter. Besonders geeignet zur Ergänzung der theoretischen Literatur um konkrete Implementierungsdetails.
  • QMCPACK Collaboration: AFQMC Tutorials, QMCPACK Manual, laufend aktualisiert.
    • Praxisorientierte Tutorials für vollständige AFQMC-Workflows. Sie zeigen unter anderem die Erzeugung von Hamiltondaten, den Übergang von Hartree-Fock- beziehungsweise PySCF-Rechnungen zu AFQMC sowie exemplarische Simulationen. Besonders geeignet zur nachvollziehbaren Darstellung eines praktischen AFQMC-Arbeitsablaufs.
  • Joonho Lee Group: ipie – Intelligent Python-Based Imaginary-Time Evolution, Open-Source-AFQMC-Software, laufend aktualisiert.
    • Aktiv entwickelte Python-basierte AFQMC-Software mit Unterstützung für Grundzustandsberechnungen, phaseless AFQMC, Mehrdeterminanten-Trial-Zustände, CPU- und GPU-Ausführung sowie weitere moderne Varianten. Die Ressource eignet sich zur Recherche aktueller algorithmischer Implementierungen und zur Reproduzierbarkeit numerischer Beispiele.
  • Joonho Lee Group: ipie Documentation, laufend aktualisiert.
    • Begleitende Dokumentationsplattform für das ipie-Softwareprojekt. Sie dient vor allem als technische Recherchehilfe zu Programmstruktur, Modulen und praktischer Nutzung und sollte in einer Abhandlung primär für Software- und Implementierungsfragen verwendet werden.

Plattformen für Gittermodelle und determinantenbasiertes AFQMC

  • ALF Collaboration: Algorithms for Lattice Fermions, Auxiliary-Field Quantum Monte Carlo Package, laufend aktualisiert.
    • Open-Source-Hochleistungssoftware für projektives und Finite-Temperature-Auxiliary-Field Quantum Monte Carlo auf Fermiongittermodellen. Besonders relevant für Hubbard-Modelle, Kondo-Systeme und andere stark korrelierte Gitter-Hamiltonoperatoren. Die Plattform eignet sich hervorragend, um die Anwendung von AFQMC außerhalb der klassischen Molekül- und Festkörperchemie zu illustrieren.
  • ALF Collaboration: The ALF Project – Documentation for the Auxiliary-Field Quantum Monte Carlo Code, SciPost Physics Codebases / arXiv, aktualisierte Fassung.
    • Dokumentiert die mathematische Formulierung und praktische Implementierung von projektivem und thermischem AFQMC für Gitterfermionen. Sie kann sowohl als Softwaredokumentation als auch als monographie-nahe methodische Ressource verwendet werden.

Fachjournale und Verlage

  • American Physical Society: Physical Review Journals, APS.
    • Zentrale Publikationsplattform für grundlegende AFQMC-Arbeiten in Physical Review Letters und Physical Review B. Besonders wichtig für Primärliteratur zu Constrained-Path-Verfahren, phaseless AFQMC, Hubbard-Modellen, korrelierten Festkörpern und Finite-Temperature-Methoden.
  • American Chemical Society: Journal of Chemical Theory and Computation, ACS Publications.
    • Eine der wichtigsten Fachzeitschriften für moderne AFQMC-Anwendungen in Quantenchemie, Benchmarking, Softwareentwicklung und algorithmischer Beschleunigung. Besonders geeignet zur Recherche aktueller ph-AFQMC-Verfahren und quantenchemischer Anwendungen.
  • American Institute of Physics: The Journal of Chemical Physics, AIP Publishing.
    • Wichtige Publikationsplattform für methodische AFQMC-Arbeiten, elektronische Strukturtheorie, Finite-Temperature-Methoden und Materialanwendungen. Besonders relevant für spezialisierte und fortgeschrittene algorithmische Entwicklungen.

Wissenschaftliche Rechercheplattformen und Datenbanken

  • arXiv: Open-Access-Preprint-Archiv für Physik, Quantenchemie und Quantentechnologie.
    • Besonders nützlich zum Auffinden neuer AFQMC-Methoden vor oder parallel zur Journalveröffentlichung. Für eine wissenschaftliche Abhandlung sollte bei vorhandener peer-reviewter Journalfassung vorzugsweise diese zitiert werden; der arXiv-Eintrag eignet sich als ergänzende frei zugängliche Version.
  • Crossref: DOI- und Metadatenrecherche für wissenschaftliche Publikationen.
    • Geeignet zur Überprüfung bibliografischer Daten, DOI-Nummern, Autorennamen und Veröffentlichungsinformationen. Crossref sollte vor allem zur Verifikation von Literaturangaben und nicht als Ersatz für die eigentliche Fachpublikation genutzt werden.
  • PubMed und PubMed Central: Wissenschaftliche Literatur- und Volltextdatenbanken.
    • Obwohl AFQMC primär der Physik und theoretischen Chemie zuzuordnen ist, werden zahlreiche relevante Artikel aus The Journal of Chemical Physics und Journal of Chemical Theory and Computation dort bibliografisch erfasst oder frei zugänglich archiviert. Die Plattformen eignen sich besonders zur Verifikation von DOI, Autoren und Publikationsdaten.
Elektronen-Qubits

Elektronen-Qubits

...

Transmon

Transmon

...

Steane-Code

Steane-Code

...

Sfermionen

Sfermionen

...

Antifermion

Antifermion

...

Dichtefunktionaltheorie (DFT)

Dichtefunktionaltheorie (DFT)

...