[論文レビュー] Data-driven discovery of statistically relevant information in quantum simulators

Roberto Verdel, Vittorio Vitale+8 more|arXiv (Cornell University)|Jul 19, 2023

Quantum many-body systems参考文献 71被引用数 4

ひとこと要約

本論文は、非パrametricな非教師あり学習を用いて、量子シミュレータの実験的スナップショットに対して、理論に依存しない、データ駆動型の枠組みを提案する。主成分分析エントロピー、情報不均衡、内因的次元推定を応用することで、スピンオーラスボーズ＝アインシュタイン凝縮のスナップショットに対して、時間に依存する普遍的ダイナミクスを明らかにし、仮定を必要とせず次元削減も制御せずに、演算子の重要度を順位付けする。

ABSTRACT

Quantum simulators offer powerful means to investigate strongly correlated quantum matter. However, interpreting measurement outcomes in such systems poses significant challenges. Here, we present a theoretical framework for information extraction in synthetic quantum matter, illustrated for the case of a quantum quench in a spinor Bose-Einstein condensate experiment. Employing non-parametric unsupervised learning tools that provide different measures of information content, we demonstrate a system-agnostic approach to identify dominant degrees of freedom. This enables us to rank operators according to their relevance, akin to effective field theory. To characterize the corresponding effective description, we then explore the intrinsic dimension of data sets as a measure of the complexity of the dynamics. This reveals a simplification of the data structure, which correlates with the emergence of time-dependent universal behavior in the studied system. Our assumption-free approach can be immediately applied in a variety of experimental platforms.

研究の動機と目的

• 理論に依存しない方法を構築し、大規模な量子シミュレータデータから物理的情報を抽出する。特に、基礎的なモデルを仮定しない。
• 強い相関を持つ量子系、特に量子クエンチ後の主要な自由度を特定する課題に取り組む。
• 内因的次元推定を用いて多体ダイナミクスの複雑さを定量化し、データ構造と出現する普遍的挙動との関係を明確にする。
• 有効場理論に類似した情報含量に基づく順位付けを、体系的かつ仮定なしに実現するアプローチを提供する。
• 測定されたデータスナップショットのみに依存することで、さまざまな実験的量子プラットフォームに即座に適用可能である。

提案手法

• スナップショットの多体状態に主成分分析（PCA）を適用し、情報含量と相関構造の指標としてスペクトルエントロピーを計算する。
• 部分集合と全特徴空間との間の情報不均衡を用い、部分集合が全データ多様体をどの程度うまく予測できるかを評価する。
• 最近隣接比の経験的累積分布に基づく、TWO-NN法を用いてデータ多様体の内因的次元を推定する。
• 最近隣接比の経験的累積分布に対して線形フィッティングを適用し、内因的次元 $I_d$ を推定する。
• 限られた実験的実現回数による統計誤差を安定的に推定するため、delete-$d$ Jackknife推定器を用いたサブサンプリングを実装する。
• PCAエントロピー、情報不均衡、内因的次元といった複数の指標を統合し、最も関連性の高い観測量およびダイナミクス的状態を同定する。

実験結果

リサーチクエスチョン

• RQ1 量子シミュレータにおけるどの観測量が、多体ダイナミクスの統計的に重要な情報を最も多く持っているか？
• RQ2 理論的仮定なしに、量子クエンチ後の多体量子系における主要な自由度をどのように特定できるか？
• RQ3 データ多様体の内因的次元と、量子系における時間に依存する普遍的挙動の出現との関係は何か？
• RQ4 非教師ありで非パrametricな学習ツールは、生の実験データから有効場理論に類似した記述を信頼性高く明らかにできるか？
• RQ5 モデル依存の仮定なしに、量子シミュレータデータの複雑さをどのように定量化し、ダイナミクスの簡略化を検出できるか？

主な発見

• PCAエントロピーにより、最も情報量の多い観測量が特定された：$n_{1,+1}, n_{1,-1}, n_{2,+2}, n_{2,-2}$ を組み合わせた連合データセットが最小エントロピーを示し、最大の情報含量を持つことを示している。
• 情報不均衡解析により、関連するペア（$\{n_{1,+1},n_{1,-1}\}$ と $\{n_{2,+2},n_{2,-2}\}$）からの特徴を組み合わせた部分集合は $\Delta(A\to B) \sim 0$ であることが判明し、全特徴空間にほぼすべての情報を捉え込んでいることが示された。
• データ多様体の内因的次元は、初期の低下後、長期間にわたり安定したプラトーを示し、ダイナミクスが単純化され、普遍的スケーリングで記述可能になる時間スケールが存在することを示している。
• 内因的次元 $I_d$ は、$\{\ln(\mu), -\ln[1-F_{\mathrm{emp}}(\mu)]\}$ の線形フィッティングにより推定され、$\ln(\mu)$ の広い範囲で一貫したパレート型の挙動を示し、TWO-NN法の妥当性が裏付けられた。
• サブサンプリングにおいて $b=30$ および $q=100$ を用いたところ、安定した誤差推定が得られ、実現数 $N_r=225$ という限界にもかかわらず統計的推論の堅牢性が確認された。
• このフレームワークは、2つの関連する観測量ペアを的確に同定し、有効場理論の直観に整合する、より単純で普遍的なダイナミクスへの遷移を明らかにした。物理的モデルを仮定することなく、この結果が得られた。