[論文レビュー] High-accuracy variational Monte Carlo for frustrated magnets with deep neural networks

Christopher C. Roth, Attila Szabó+1 more|arXiv (Cornell University)|Nov 14, 2022

Advanced Condensed Matter Physics参考文献 70被引用数 4

ひとこと要約

この論文は、空間群の対称性を強制し、新たな階層的確率的再配置（LayerSR）最適化を用いる深層群畳み込みニューラルネットワーク（GCNN）に基づく変分モンテカルロ手法を提案する。この手法により、スピン液体や秩序相の競合を含むフラストレーションの高い量子スピン系の基底状態エネルギーを、符号問題や従来の秩序相への強いバイアスなしに、最先端の精度でシミュレートできる。

ABSTRACT

We show that neural quantum states based on very deep (4--16-layered) neural networks can outperform state-of-the-art variational approaches on highly frustrated quantum magnets, including quantum-spin-liquid candidates. We focus on group convolutional neural networks (GCNNs) that allow us to impose space-group symmetries on our ansätze. We achieve state-of-the-art ground-state energies for the $J_1-J_2$ Heisenberg models on the square and triangular lattices, in both ordered and spin-liquid phases, and discuss ways to access low-lying excited states in nontrivial symmetry sectors. We also compute spin and dimer correlation functions for the quantum paramagnetic phase on the triangular lattice, which do not indicate either conventional or valence-bond ordering.

研究の動機と目的

• フラストレーションの高い量子スピン系をシミュレートする際の、バイアスの強い変分法や符号問題を伴う量子モンテカルロ法の限界を克服すること。
• 量子スピン液体や競合する秩序相を正確に記述できるニューラル量子状態（NQS）アーキテクチャを開発すること。
• 深層ニューラルネットワークに空間群対称性を組み込むことで、変分エネルギーの収束性と物理的整合性を向上させること。
• 非自明な対称性セクターにおける励起状態の低エネルギー準位へのアクセスを可能にし、相転移の同定を可能とすること。
• 16×16の大きな格子系において、$J_1$-$J_2$ヘイゼンベルグ模型に対して、既存の手法を上回る精度を達成すること。

提案手法

• 空間群対称性を明示的に強制する非常に深い（4～16層）群畳み込みニューラルネットワーク（GCNN）を用いて、変分波動関数をパrameter化する。
• 対称性の射影は、群平均化式（式1b）により実装され、波動関数が格子の空間群に従って正しく変換されることを保証する。
• 位相学習がフラストレーション系において不適切であるため、振幅と位相を分離しないアプローチを採用し、長距離相関を構造化するための局所的・短距離的な畳み込みフィルタを用いる。
• 1層ずつパラメータを更新しながら統計的精度を維持するという特徴を持つ、新たな階層的確率的再配置（LayerSR）最適化手法を導入し、メモリ使用量を削減するとともに収束性を向上させる。
• 局所エネルギー推定子と分散に基づくランチョスステップを用いて、変分エネルギー推定値を精緻化し、局所推定子に補正を加えることで統計的精度を向上させる。
• 最適化された波動関数からスピン相関関数およびドミア相関関数を計算し、量子パラメトリック相の性質を調査する。

実験結果

リサーチクエスチョン

• RQ1 明示的な対称性制約を施した深層ニューラル量子状態が、フラストレーションの高い量子スピン系のシミュレーションにおいて、既存の変分法を上回る性能を示すか？
• RQ2 GCNNに基づくNQSに空間群対称性を強制することで、基底状態エネルギー推定の収束性と精度が向上するか？
• RQ3 この手法は、非自明な対称性セクターにおける低エネルギー励起状態に信頼性を持ってアクセスでき、量子相転移の同定が可能か？
• RQ4 三角格子$J_1$-$J_2$模型におけるスピンおよびドミア相関関数の計算結果は、従来の秩序相か価値結合秩序かを示唆するか？
• RQ5 LayerSR最適化手法は、過剰なメモリコストを伴わずに、深層NQSにおける学習安定性とエネルギー収束性を顕著に改善できるか？

主な発見

• 深層GCNNに基づくNQSは、正方形格子および三角格子における$J_1$-$J_2$ヘイゼンベルグ模型の基底状態エネルギーを、最先端の精度で達成した。これは、量子パラメトリック相においても同様に成立する。
• 16×16のクラスタに対して、文献に報告された最高の変分エネルギーを同等または上回り、高い精度とスケーラビリティを示した。
• 三角格子上でのスピンおよびドミア相関関数の計算結果には、従来の秩序相や価値結合秩序の兆候が一切認められず、パラメトリック相に長距離秩序が存在しないことを支持する。
• LayerSR最適化により、一度に1層分のヤコビ行列のみを保存する形でメモリ使用量が削減され、GPUあたりのモンテカルロサンプル数が増加し、エネルギー収束性が向上した。
• $H$および$H^2$の局所推定子に対して平均を差し引いたランチョスステップを適用することで、エネルギー分散および歪度推定の統計的精度が向上した。
• 本手法は、複数の対称性セクターにおける低エネルギー励起状態に成功してアクセスでき、相転移の正確な同定および塔構造の特定が可能となった。