[論文レビュー] Gauge Equivariant Neural Networks for 2+1D U(1) Gauge Theory Simulations in Hamiltonian Formulation

Di Luo, Shunyue Yuan+2 more|arXiv (Cornell University)|Nov 6, 2022

Model Reduction and Neural Networks被引用数 5

ひとこと要約

本稿では、ハミルトニアン形式における2+1次元U(1)格子規範理論の変分量子シミュレーションのためのゲージ等変性ニューラルネットワーク（GNN）を提案する。ネットワークアーキテクチャにおいてゲージ等変性を強制することにより、この手法は基底状態波動関数を効率的に近似し、強い結合領域では複素ガウス波動関数を上回る性能を達成し、弱い結合領域では同等の結果を得る。ゲージ不変性は等変性ブロック設計により正確に保たれる。

ABSTRACT

Gauge Theory plays a crucial role in many areas in science, including high energy physics, condensed matter physics and quantum information science. In quantum simulations of lattice gauge theory, an important step is to construct a wave function that obeys gauge symmetry. In this paper, we have developed gauge equivariant neural network wave function techniques for simulating continuous-variable quantum lattice gauge theories in the Hamiltonian formulation. We have applied the gauge equivariant neural network approach to find the ground state of 2+1-dimensional lattice gauge theory with U(1) gauge group using variational Monte Carlo. We have benchmarked our approach against the state-of-the-art complex Gaussian wave functions, demonstrating improved performance in the strong coupling regime and comparable results in the weak coupling regime.

研究の動機と目的

• 量子格子規範理論におけるゲージ対称性を尊重するニューラルネットワークベースの変分波動関数の開発。
• ハミルトニアン形式におけるU(1)対称性を有する連続変数規範理論に、ニューラルネットワーク量子状態を拡張すること。
• 従来の手法が困難とする強い結合領域における基底状態エネルギーの推定を改善すること。
• アーキテクチャ設計による正確なゲージ不変性の維持により、量子シミュレーションにおける物理的整合性を保証すること。
• 弱いおよび強い結合領域において、最先端の複素ガウス波動関数と本手法を比較評価すること。

提案手法

• ネットワーク出力が局所的ゲージ変換に対して正しく変換されるように、隠れベクトル空間間のゲージ等変性非線形写像の系列を採用する。
• ニューラルネットワークの各層はゲージ群作用に対して等変性であるように設計され、最終出力は物理的観測量に対して不変である。
• 波動関数は、U(1)規範場が格子辺上で表される複素ベクトル空間に埋め込まれた全結合層と、等変性活性化関数の合成としてパラメータ化される。
• エネルギーの最小化には、局所エネルギー推定子と勾配更新を用いた変分モンテカルロ法と確率的再構成が用いられる。
• ゲージ等変性ブロックは、頂点に基づくゲージ変換の下で変換性質を保つように適合されたアーベル的U(1)群用の群等変性畳み込み層を用いて構築される。
• 本手法は2次元正方格子上のKogut-Susskindモデルに適用され、波動関数の正規化および期待値はマルコフ連鎖モンテカルロサンプリングにより計算される。

実験結果

リサーチクエスチョン

• RQ1 ゲージ等変性ニューラルネットワークは、既存の複素ガウス波動関数よりも、2+1次元U(1)格子規範理論の基底状態に対するより正確な変分アンザッツを提供できるか？
• RQ2 ゲージ等変性ネットワークの性能は、強い結合領域および弱い結合領域における複素ガウス波動関数と比べてどうなるか？
• RQ3 ネットワークアーキテクチャにゲージ等変性を強制することで、量子シミュレーションにおける収束性および物理的整合性が向上するか？
• RQ4 本手法は、2+1次元U(1)理論におけるコンfinementの特徴であるウィルソンループの指数的減衰を正確に捉えることができるか？
• RQ5 系のサイズおよび結合定数の影響は、ゲージ等変性ニューラルネットワーク手法の最適化および精度にどのように及ぶか？

主な発見

• 強い結合領域（g ≥ 1）では、ゲージ等変性ニューラルネットワーク（Equ-NNおよびEqu3-NN）が複素ガウス波動関数よりも一貫して低い基底状態エネルギーを達成し、gが1に近づくほど性能が向上する。
• 弱い結合領域（g² = 0.3 から 0.9）では、本手法が複素ガウス波動関数と同等の基底状態エネルギーを達成するが、g² ≥ 0.6 の範囲で改善が観察される。
• ゲージ等変性ネットワークを用いて計算されたウィルソンループ観測量は、面積に比例して指数的減衰を示し、2+1次元U(1)規範理論における期待されるコンfinement挙動と整合する。
• 本手法は波動関数の正確なゲージ不変性を維持しており、物理的整合性を保ち、変分アンザッツにおける対称性の破れのアーチファクトを回避する。
• 確率的再構成最適化手法は正常に収束し、エネルギー勾配は局所エネルギー推定子を用い、波動関数の二乗からのサンプリングにより計算される。
• ネットワークはg→0極限におけるデルタ関数型基底状態を処理する能力に限界があるため、この領域ではガウス波動関数とわずかな性能差が生じる。