[論文レビュー] Continuous-mixture Autoregressive Networks for efficient variational calculation of many-body systems

Lingxiao Wang, Yin Jiang+2 more|arXiv (Cornell University)|May 11, 2020

Quantum many-body systems参考文献 14被引用数 5

ひとこと要約

本論文は、格子上の位置における条件付き確率分布をモデル化することで、連続スピン自由度を有する多体系を効率的に計算する、連続混合自己回帰ネットワーク（CANs）を導入する。この手法は、2次元XY模型におけるコスターリッツ＝トゥースの相転移を成功裏に回復し、批判的遅れが典型的に見られるMCMCシミュレーションを避けて、ヘリシティモジュラスを用いて転移温度β ≈ 1.10を計算し、非監視で渦を検出する。

ABSTRACT

We develop deep autoregressive networks with multi channels to compute many-body systems with \emph{continuous} spin degrees of freedom directly. As a concrete example, we embed the two-dimensional XY model into the continuous-mixture networks and rediscover the Kosterlitz-Thouless (KT) phase transition on a periodic square lattice. Vortices characterizing the quasi-long range order are accurately detected by the autoregressive neural networks. By learning the microscopic probability distributions from the macroscopic thermal distribution, the neural networks compute the free energy directly and find that free vortices and anti-vortices emerge in the high-temperature regime. As a more precise evaluation, we compute the helicity modulus to determine the KT transition temperature. Although the training process becomes more time-consuming with larger lattice sizes, the training time remains unchanged around the KT transition temperature. The continuous-mixture autoregressive networks we developed thus can be potentially used to study other many-body systems with continuous degrees of freedom.

研究の動機と目的

• 従来のMCMCの制限、例えば批判的遅れや符号問題を避ける、連続自由度を有する多体系のための変分手法を開発すること。
• 深層生成モデルを用いて、連続スピン系におけるトポロジカルな欠陥（例えば渦）を非監視で検出できることを可能にすること。
• 2次元XY模型のような系における熱力学的量や相転移を計算するための、スケーラブルで効率的なモンテカルロ法の代替手段を提供すること。
• 自己回帰ニューラルネットワークが、量子系や統計系における長距離相関およびトポロジカル秩序をモデル化できる能力を示すこと。

提案手法

• 多体系の結合確率分布を、格子上の位置における条件付き確率の自己回帰的分解によってモデル化する連続混合自己回帰ネットワーク（CANs）を提案する。
• 各格子上の位置における連続的な条件付き確率分布を表現するために、マルチチャネルのベータ分布の混合を用い、連続スピン変数の柔軟なモデル化を可能にする。
• マクロな熱的分布からミクロな確率分布を学習するための変分的アプローチを採用し、直接的に自由エネルギーを計算する。
• GPU加速を活用して、訓練時間を多角的にスケーリング（t_train ∝ L^1.708）し、配置を効率的に生成する。
• CANが生成した配置から計算されたヘリシティモジュラスを用い、2kBT/πとの交差を介して、コスターリッツ＝トゥースの転移点を特定する。
• ネットワークを非監視的に訓練することで、渦と反渦が学習済み配置から自然に出現するようにする。

実験結果

リサーチクエスチョン

• RQ1 連続的な条件付き分布を有する深層自己回帰ネットワークは、連続スピン系におけるトポロジカル相転移を効果的にモデル化・検出できるか？
• RQ2 従来のMCMC手法とは異なり、CANsは相転移付近で批判的遅れを回避できるか？
• RQ3 CANsは、2次元XY模型におけるコスターリッツ＝トゥースの相転移のような既知の相転移温度をどの程度正確に再現できるか？
• RQ4 CANsの配置生成能力による渦と反渦の生成は、標準的なモンテカルロシミュレーションと比較してどの程度優れているか？
• RQ5 CANsにおける訓練時間の格子サイズ依存性はどのようなものか？また、GPU上で効率的に並列化可能か？

主な発見

• CANモデルは2次元XY模型におけるコスターリッツ＝トゥースの相転移を成功裏に回復し、転移温度はβ_KT ≈ 1.10と推定され、標準的なモンテカルロ結果と整合的である。
• CANが生成した配置から計算されたヘリシティモジュラスは、L = 16の格子サイズにおいてβ ≈ 1.10で2kBT/πと交差しており、相転移を確認する。
• ラベルなしで生成された配置に渦と反渦が自然に出現し、トポロジカル欠陥の非監視検出を示している。
• 訓練ステップあたりの時間は、温度にかかわらずほぼ一定（約0.2秒）であり、批判的遅れの効果的緩和を示している。
• 訓練時間はt_train(L) ≈ 0.0026 × L^1.708とスケーリングされ、格子サイズに対して多項式的依存性を示しており、GPU加速によって管理可能である。
• この手法により、自由エネルギーおよびヘリシティモジュラスのような長距離相関に依存する高次統計量を、高い精度で直接計算可能である。