[論文レビュー] Enhancing variational Monte Carlo using a programmable quantum simulator

M. Schuyler Moss, Sepehr Ebadi+5 more|arXiv (Cornell University)|Aug 4, 2023

Machine Learning in Materials ScienceMaterials Science被引用数 3

ひとこと要約

本論文は、Rydberg原子量子シミュレータから得た生の未処理の射影測定データを用いて、再帰的ニューラルネットワーク（RNN）波動関数アンサンブルを事前学習することで、変分モンテカルロ（VMC）シミュレーションを向上させるハイブリッド量子古典フレームワークを提案する。この手法により、ハミルトニアン駆動の変分最適化の前にモデルを初期化することで、特に16×16のRydbergアレイにおけるチェッカーボード秩序を捉える際に、収束が速くなり、精度が向上する。これにより、純粋なVMCでは捉えきれない複雑な多体秩序を、単純なRNNですら学習可能となる。

ABSTRACT

Programmable quantum simulators based on Rydberg atom arrays are a fast-emerging quantum platform, bringing together long coherence times, high-fidelity operations, and large numbers of interacting qubits deterministically arranged in flexible geometries. Today's Rydberg array devices are demonstrating their utility as quantum simulators for studying phases and phase transitions in quantum matter. In this paper, we show that unprocessed and imperfect experimental projective measurement data can be used to enhance in silico simulations of quantum matter, by improving the performance of variational Monte Carlo simulations. As an example, we focus on data spanning the disordered-to-checkerboard transition in a $16 imes 16$ square lattice array [S. Ebadi et al. Nature 595, 227 (2021)] and employ data-enhanced variational Monte Carlo to train powerful autoregressive wavefunction ansätze based on recurrent neural networks (RNNs). We observe universal improvements in the convergence times of our simulations with this hybrid training scheme. Notably, we also find that pre-training with experimental data enables relatively simple RNN ansätze to accurately capture phases of matter that are not learned with a purely variational training approach. Our work highlights the promise of hybrid quantum--classical approaches for large-scale simulation of quantum many-body systems, combining autoregressive language models with experimental data from existing quantum devices.

研究の動機と目的

• 古典的シミュレーションが非効率となる大規模な量子多体系のシミュレーションの課題に対処すること。
• プログラマブルなRydberg原子アレイから得た未処理の実験的測定データが、変分モンテカルロシミュレーションの性能を向上させることを検証すること。
• データ駆動の事前学習とハミルトニアン駆動の変分最適化を組み合わせたハイブリッドトレーニング方式を開発し、波動関数アンサンブルの学習を向上させること。
• 実験的データが、単純なモデルが複雑な量子相（例えばチェッカーボード秩序）を捉えるために必要な重要な初期化情報を提供できることを示すこと。これは、純粋な変分最適化では困難である。

提案手法

• 再帰的ニューラルネットワーク（RNN）波動関数アンサンブルをランダムに初期化し、まず16×16のRydberg原子アレイからの生の射影測定データを用いてトレーニングする。このデータは、基底状態の原子のみを捉える蛍光イメージングデータである。
• RNNは、固定ステップ数にわたり実験データ上で事前学習され、ターゲット量子状態の代表的構成を学習するためのデータ駆動損失関数が使用される。
• 事前学習後、ハミルトニアン駆動の変分モンテカルロを用いて微調整が行われる。この段階では、多体ハミルトニアンのエネルギー期待値を最小化する。
• データ駆動とハミルトニアン駆動の段階を交互に繰り返し、データ事前学習により、その後の変分最適化段階で探索すべき有効な状態空間が縮小される。
• RNNアーキテクチャにはゲート付き再帰ユニット（GRUs）が使用され、接続性の影響を評価するために1次元（1D）および2次元（2D）の両方の設定で適用される。
• ハイパーパラメータ（学習率、隠れユニット数、トレーニングステップ数など）は、実験パラメータとモデル性能に基づいて調整され、最適なデータ駆動ステップ数はエネルギー最小化の早期停止により選定される。

実験結果

リサーチクエスチョン

• RQ1 Rydberg原子アレイからの未処理で不完全な実験的測定データは、変分モンテカルロシミュレーションの収束性および精度を向上させることができるか？
• RQ2 データ駆動の事前学習により、RNN波動関数アンサンブルが、純粋な変分最適化では捉えにくい複雑な量子相（例えばチェッカーボード秩序）をどれほど学習可能になるか？
• RQ3 ハイブリッドトレーニング方式（データ優先、次にハミルトニアン駆動）は、純粋な変分トレーニングと比較して、低エネルギー状態に到達するためのトレーニングステップ数を減少させるか？
• RQ4 RNNのアーキテクチャ設計（1D対2D）は、実験データで事前学習した場合、秩序の学習能力にどのように影響を与えるか？
• RQ5 複雑な符号構造や長距離秩序を示す系において、実験的データによる事前学習は、ランダム重みよりもより効果的な初期化を提供するか？

主な発見

• ハイブリッドデータ強化変分モンテカルロ手法により収束が著しく加速され、1D RNNはわずか約1400ステップのトレーニングで、完全な量子モンテカルロシミュレーションとほぼ同等の収束エネルギー値に到達した。
• 実験的データによる事前学習により、1D RNNは、純粋に変分最適化でトレーニングした場合に失敗するチェッカーボード秩序パラメータを正確に捉えることができた。
• 限られたデータでも、2D RNN波動関数は事前学習の恩恵を受けており、純粋な変分トレーニングと比較して収束が速く、初期段階での秩序パラメータ推定が向上した。
• ハイブリッドトレーニングされた1D RNNの秩序パラメータ値は、完全な量子モンテカルロシミュレーションで得られた値とよく一致しており、基底状態近似の高精度を示している。
• データ強化戦略は、ランダム重みよりもより効果的な初期化を提供しており、変分最適化の探索空間を縮小し、物理的に意味のある状態に迅速に到達可能にした。
• 本手法は、誤り補正や前処理を施さなくても、実験的データが、特異な量子相における複雑な多体波動関数の学習をガイドするのに十分な情報を含んでいることを示している。