[論文レビュー] Efficient learning of ground & thermal states within phases of matter
本稿では、相関の指数的減衰と近似的なマルコフ性を活用することで、物質の量子相における基底状態および熱状態を効率的に学習するための新規フレームワークを提示する。系のサイズに対して多項式対数的（polylogarithmic）の標本複雑性と、観測可能の局所性に対して多項式的スケーリングを達成しており、従来の手法に比べて指数的改善を実現する。これにより、ギャップのある相および熱的相において、有限標本保証を伴う包括的性質および局所的観測可能の点ごとの正確な推定が可能になる。
We consider two related tasks: (a) estimating a parameterisation of a given Gibbs state and expectation values of Lipschitz observables on this state; and (b) learning the expectation values of local observables within a thermal or quantum phase of matter. In both cases, we wish to minimise the number of samples we use to learn these properties to a given precision. For the first task, we develop new techniques to learn parameterisations of classes of systems, including quantum Gibbs states of non-commuting Hamiltonians with exponential decay of correlations and the approximate Markov property. We show it is possible to infer the expectation values of all extensive properties of the state from a number of copies that not only scales polylogarithmically with the system size, but polynomially in the observable's locality -- an exponential improvement. This set of properties includes expected values of quasi-local observables and entropies. For the second task, we develop efficient algorithms for learning observables in a phase of matter of a quantum system. By exploiting the locality of the Hamiltonian, we show that $M$ local observables can be learned with probability $1-\delta$ to precision $\epsilon$ with using only $N=O\big(\log\big(\frac{M}{\delta}\big)e^{polylog(\epsilon^{-1})}\big)$ samples -- an exponential improvement on the precision over previous bounds. Our results apply to both families of ground states of Hamiltonians displaying local topological quantum order, and thermal phases of matter with exponential decay of correlations. In addition, our sample complexity applies to the worse case setting whereas previous results only applied on average. Furthermore, we develop tools of independent interest, such as robust shadow tomography algorithms, Gibbs approximations to ground states, and generalisations of transportation cost inequalities for Gibbs states.
研究の動機と目的
- 量子相における局所的および準局所的観測可能の期待値を推定するための効率的アルゴリズムの開発。
- ギブス状態および基底状態を学習するための標本複雑性を、系のサイズに対して多項式対数的スケーリング、観測可能局所性に対して多項式的スケーリングに低減すること。
- 古典的シャドウとハミルトニアン学習の先行研究を、非可換ハミルトニアンおよび相関の指数的減衰を示す相へと拡張すること。
- 相全体にわたる観測可能の推定における、平均的ではなく点ごとの誤差保証を提供すること。
- 局所的に区別不能な状態のための輸送コスト不等式とギブス近似を用いた、理論的基盤の構築。
提案手法
- 相関の指数的減衰の下で、基底状態およびギブス状態に特化したロバストなシャドウトモグラフィー・プロトコルの開発。
- 局所的マルコフ性を用いて、局所的に区別不能な基底状態のギブス近似を導入。
- 非可換ハミルトニアンに対して一般化された輸送コスト不等式を適用し、推定誤差の上限を導出。
- 局所的項と有界なヤコビアン微分を用いたハミルトニアンのパラメータ化により、観測可能の感度を制御。
- 同一でないコピーを扱うために、状態の部分族に対する経験的平均化を用いた非i.i.d.シャドウトモグラフィーの採用。
- 測定の集中と摂動下での局所的観測可能の滑らかさを活用し、少数の標本からの一般化を保証。
実験結果
リサーチクエスチョン
- RQ1系のサイズに対して多項式対数的スケーリングを示す標本複雑性で、量子相における局所的および準局所的観測可能の期待値を学習可能か？
- RQ2ギャップのある相および熱的相における観測可能の学習において、精度スケーリングを従来手法に比べて指数的改善可能か？
- RQ3古典的シャドウベースの学習を、非可換ハミルトニアンおよび相関の指数的減衰を示す状態へと拡張可能か？
- RQ4相学習において、平均的境界ではなく点ごとの誤差保証を提供可能か？
- RQ5局所的に区別不能な基底状態に対して、ロバストなギブス近似を構築可能か？
主な発見
- M 個の局所的観測可能の推定に、精度 ε および失敗確率 δ で、O(log(M/δ) · e^{polylog(ε⁻¹)}) の標本複雑性を達成。これは、先行研究に比べて ε スケーリングにおいて指数的改善を示す。
- すべての広範な性質を推定するために必要なコピー数は、系のサイズに対して多項式対数的、観測可能局所性に対して多項式的スケーリングであり、[RF21] および [AAKS21] の予想を解決する。
- このフレームワークは、相関の指数的減衰を示す熱的相およびギャップのあるハミルトニアンの基底状態の両方へ適用可能であり、一般化された局所的トポロジカル秩序を持つものも含む。
- 点ごとの誤差保証が確立されており、従来の平均的境界とは異なり、相内の任意の個々の状態についても信頼性の高い回復が保証される。
- 非i.i.d.コピーに対するロバストなシャドウトモグラフィーは、部分族に対する経験的平均化を用いて拡張され、非i.i.d.行列ベルヌーイ不等式を用いて収束境界が導出された。
- 非可換ハミルトニアンに対する輸送コスト不等式や、局所的に区別不能な状態のギブス近似といった理論的ツールが開発され、分析において有効であることが示された。
より良い研究を、今すぐ始めましょう
論文設計から論文執筆まで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。