[論文レビュー] Learning quantum phases via single-qubit disentanglement

Zheng An, Chenfeng Cao+2 more|arXiv (Cornell University)|Jul 8, 2021

Neural Networks and Reservoir Computing参考文献 70被引用数 4

ひとこと要約

本稿では、横磁場イジング模型（TFIM）およびXXZ模型における相転移を、エンタングルメント構造の差を明らかにする1キュービットのアンエンタングル回路を訓練することで、強化学習（RL）に基づく手法を提案する。RLエージェントは、キュービットをアンエンタングル化する最適な局所ユニタリ操作を学習し、系のスケーリングに強く、高い耐障害性を示しながら、相転移を的確に検出する。また、TFIMにおけるクライマース＝ヴァーナー双対性も同定した。

ABSTRACT

Identifying phases of matter presents considerable challenges, particularly within the domain of quantum theory, where the complexity of ground states appears to increase exponentially with system size. Quantum many-body systems exhibit an array of complex entanglement structures spanning distinct phases. Although extensive research has explored the relationship between quantum phase transitions and quantum entanglement, establishing a direct, pragmatic connection between them remains a critical challenge. In this work, we present a novel and efficient quantum phase transition classifier, utilizing disentanglement with reinforcement learning-optimized variational quantum circuits. We demonstrate the effectiveness of this method on quantum phase transitions in the transverse field Ising model (TFIM) and the XXZ model. Moreover, we observe the algorithm's ability to learn the Kramers-Wannier duality pertaining to entanglement structures in the TFIM. Our approach not only identifies phase transitions based on the performance of the disentangling circuits but also exhibits impressive scalability, facilitating its application in larger and more complex quantum systems. This study sheds light on the characterization of quantum phases through the entanglement structures inherent in quantum many-body systems.

研究の動機と目的

• エンタングルメント構造の検出を用いて、スケーラブルで局所的な量子相の同定手法を開発すること。
• 量子系における多体基底状態の特徴付けの指数的複雑性を克服すること。
• 強化学習を活用して、グローバル最適化を必要としない可変量子回路を設計し、重要なエンタングルメント特徴を抽出すること。
• 本手法の、異なる系サイズおよびモデルパラメータにおける耐障害性と汎用性を示すこと。
• RLエージェントが、エンタングルメントパターンから、クライマース＝ヴァーナー双対性のような基本的対称性を学習できるかを検討すること。

提案手法

• 強化学習エージェントが、ターゲットキュービットに対して1キュービットのアンエンタングル回路を設計するように訓練される。
• RLエージェントは、ターゲットキュービットと残りの系との間のエンタングルメントエントロピーを最小化するように局所ユニタリ操作を最適化する。
• アンエンタングル回路は、異なるパラメータでのTFIMおよびXXZ模型の異なる相における基底状態で訓練される。
• 訓練された回路の性能は、相転移に跨る残留エンタングルメントエントロピーの測定によって評価される。
• 本手法は局所操作および1キュービット測定のみを用いるため、より大きな系へのスケーリングが可能である。
• 小規模系（N=8）で訓練された回路を、大規模系（N=10,12,14）に適用し、転送性と耐障害性を検証する。

実験結果

リサーチクエスチョン

• RQ1 強化学習エージェントは、エンタングルメント構造に基づいて量子相を効果的に区別できるアンエンタングル回路を設計できるか？
• RQ2 RLで設計された回路は、訓練パラメータや系サイズの変化に対して耐障害性を示すか？
• RQ3 TFIMにおけるエンタングルメントパターンから、RLエージェントはクライマース＝ヴァーナー双対性のような基本的対称性を学習できるか？
• RQ4 小規模系で訓練されたアンエンタングル回路は、再訓練なしに大規模系へ転送可能か？
• RQ5 アンエンタングル状態のエンタングルメントエントロピーは、その背後にある量子相転移をどのように反映するか？

主な発見

• RLで設計されたアンエンタングル回路は、横磁場イジング模型およびXXZ模型の両方で、高い正確性をもって相転移を同定した。
• 本手法は耐障害性を示した：訓練パラメータや系サイズの変化に対しても性能が一貫していた。
• N=8系で訓練されたアンエンタングル回路は、N=10,12,14キュービット系へも効果的に一般化され、スケーラビリティが裏付けられた。
• TFIMでは、λ > 1 のとき、2体最適アンエンタングル構造を学習し、λ < 1 のとき、クライマース＝ヴァーナー双対性を明らかにした。
• アンエンタングル状態のエンタングルメントエントロピーは、相転移点で明確なピークを示し、信頼できる指標となった。
• 結果から、エンタングルメント構造は系サイズに依存せず、量子相固有のものであり、有限サイズ効果ではないことが示唆された。