[論文レビュー] Finding Quantum Critical Points with Neural-Network Quantum States

Remmy Zen, Long D. H. My+6 more|arXiv (Cornell University)|Feb 7, 2020

Quantum many-body systems参考文献 73被引用数 4

ひとこと要約

本稿では、解析的に構築された制限ボルツマンマシン（RBM）ニューラルネットワーク量子状態、トランスファー学習、非教師あり学習を用いて、量子イジング模型における量子臨界点を特定する新しい手法を提案する。この手法は、冷スタートトレーニングや従来の手法よりも高い効率性と正確性を達成し、1次元、2次元、3次元の系において臨界点の推定値が既知の値に収束する。特に2次元系では、結果（0.302）が量子モンテカルロベンチマーク（0.32847）に非常に近い値となる。

ABSTRACT

Finding the precise location of quantum critical points is of particular importance to characterise quantum many-body systems at zero temperature. However, quantum many-body systems are notoriously hard to study because the dimension of their Hilbert space increases exponentially with their size. Recently, machine learning tools known as neural-network quantum states have been shown to effectively and efficiently simulate quantum many-body systems. We present an approach to finding the quantum critical points of the quantum Ising model using neural-network quantum states, analytically constructed innate restricted Boltzmann machines, transfer learning and unsupervised learning. We validate the approach and evaluate its efficiency and effectiveness in comparison with other traditional approaches.

研究の動機と目的

• 量子多体系、特に量子イジング模型における量子臨界点を効率的かつ正確に特定する手法を開発すること。
• ヒルバート空間次元の指数的増加を、ニューラルネットワーク量子状態などの機械学習技術を活用することで克服すること。
• ランダム初期化に依存する冷スタートトレーニングの欠点を補うために、解析的に構築されたRBMベースの量子状態に事前知識を組み込むことで、内在的な知識を導入すること。
• 1次元、2次元、3次元の系において、従来のアプローチと確立されたベンチマークと比較して、本手法の有効性と効率性を検証すること。

提案手法

• 各相における系の既知の物理的性質を解析的に符号化することで、内在的な制限ボルツマンマシン（RBM）ニューラルネットワーク量子状態を構築し、事前知識をアーキテクチャそのものに直接埋め込む。
• 異なる系のパラメータ間でトランスファー学習を適用し、初期化をランダム重みではなく事前に訓練された状態から行うことで、臨界点の推定値を精緻化する。
• 非教師あり学習を用いてRBMパラメータを最適化し、エネルギー分散を最小化するとともに、秩序パラメータの変曲点を用いて相転移を同定する。
• 有限サイズスケーリングを用いて、系サイズの関数としての秩序パラメータ（例えば、鉄磁性および反強磁性磁化）の変曲点をフィッティングすることで、熱力学的極限への外挿を行う。
• 精度と収束速度の評価のため、テンソルネットワーク手法と量子モンテカルロベンチマークとを比較する。
• 相転移の検出および本手法の次元を越えた頑健性の評価のため、鉄磁性および反強磁性磁化の秩序パラメータ、および相関関数を用いる。

実験結果

リサーチクエスチョン

• RQ1 解析的に構築されたRBMニューラルネットワーク量子状態は、ランダム初期化モデルと比較して、量子臨界点の特定における正確性と効率性を向上させることができるか？
• RQ2 トランスファー学習は、異なる次元における量子イジング模型において、トレーニング時間の短縮と真の臨界点への収束性の向上にどの程度効果的か？
• RQ3 本手法による臨界点推定値は、1次元、2次元、3次元の系において、確立されたベンチマーク（例：量子モンテカルロ値）にどの程度収束するか？
• RQ4 磁化、相関関数などの異なる秩序パラメータは、本手法を用いた相転移の同定にどのように影響を与えるか？
• RQ5 本手法は、イジング模型を超える他の量子多体系に対しても一般化可能か？

主な発見

• 内在的なRBM-NQSとトランスファー学習を組み合わせた本手法は、冷スタートトレーニングに比べ、特に2次元系の臨界点推定において、より高い正確性と高速な収束性を達成する。
• 2次元系では、臨界点が $ J/|h| = 0.302 $ と推定され、これは量子モンテカルロベンチマークの $ 0.32847 $ に非常に近い値であり、強い収束性を示している。
• 1次元系では、臨界点が $ J/|h| = 1 $ に正しく同定され、正確な結果と整合的である。
• 3次元系では、$ J/|h| = 0.256 $ の推定値が、量子モンテカルロ値の $ 0.1887 $ とは顕著に異なるため、正確な推定にはより大きな系サイズが必要であると示唆される。
• 反強磁性磁化秩序パラメータは、2次元系で $ -0.266 $ の臨界点推定値をもたらし、鉄磁性の場合よりもベンチマークの $ -0.32847 $ に近いが、依然として完全には収束していない。
• 1次元系では、テンソルネットワーク手法がRBM-NQS-ITTよりも相関に基づく秩序パラメータ推定で優れているため、特定の物理量の相関を捉える能力に限界がある可能性が示唆される。