[論文レビュー] Measuring quantum entanglement, machine learning and wave function tomography: Bridging theory and experiment with the quantum gas microscope

Norm M. Tubman|arXiv (Cornell University)|Sep 26, 2016

Quantum many-body systems被引用数 3

ひとこと要約

本論文は、量子ガスマイクロスコープを用いた正確な波動関数トモグラフィーのフレームワークを提案し、従来は非現実的とされていた相互作用を有するボソン系における量子もつれの直接測定を可能にする。これは、変分モンテカルロサンプリングの代わりに実験的スナップショットを用いることで実現される。この手法は、実空間データを活用して変分波動関数を最適化し、大規模な量子系において理論と実験を結びつける。

ABSTRACT

There is an enormous amount of information that can be extracted from the data of a quantum gas microscope that has yet to be fully explored. The quantum gas microscope has been used to directly measure magnetic order, dynamic correlations, Pauli blocking, and many other physical phenomena in several recent groundbreaking experiments. However, the analysis of the data from a quantum gas microscope can be pushed much further, and when used in conjunction with theoretical constructs it is possible to measure virtually any observable of interest in a wide range of systems. We focus on how to measure quantum entanglement in large interacting quantum systems. In particular, we show that quantum gas microscopes can be used to measure the entanglement of interacting boson systems exactly, where previously it had been thought this was only possible for non-interacting systems. We consider algorithms that can work for large experimental data sets which are similar to theoretical variational Monte Carlo techniques, and more data limited sets using properties of correlation functions.

研究の動機と目的

• 量子ガスマイクロスコープのデータ解析を、単純な実空間観測量の範囲を越えて、もつれのような複雑な多体性質を抽出することを目的とする。
• 実験的スナップショットを用いて、非相互作用系に限られていたこれまでの制限を超えて、相互作用ボソン系における波動関数トモグラフィーの実現可能性を示すこと。
• 相関関数と変分パラメータ最適化を用いて、限られた実験データでも動作するスケーラブルなデータ駆動型波動関数再構成手法を開発すること。
• ニューラルネットワークなどの機械学習技術を統合し、秩序パラメータの事前知識がなくても量子相を同定できるようにすること。
• 量子モンテカルロ、機械学習、実験データを統合した包括的フレームワークを構築し、量子状態の完全な再構成と解析を可能とすること。

提案手法

• 量子ガスマイクロスコープからの実験的スナップショットを直接用いることで、反復的変分モンテカルロサンプリングに代えて多体波動関数を再構成する。
• 実験データを入力として、エネルギー、分散、波動関数重なりの最適化を含む変分モンテカルロ技術を用い、変分パラメータを最適化する。
• 実空間相関関数を用いて多体相関を推定し、データが限られた状況下でも波動関数再構成を可能にする。
• 秩序パラメータの事前知識がなくても、量子ガスマイクロスコープのスナップショットから直接量子相を分類できる、ニューラルネットワークベースの相分類手法を適応する。
• 密度行列最適化を組み込むことで、有限温度系への拡張を図り、有限温度における波動関数トモグラフィーを可能にする。
• 波動関数トモグラフィーと密度汎関数理論、機械学習を統合し、結果の妥当性を検証し、相図のマッピングを実現する。

実験結果

リサーチクエスチョン

• RQ1 量子ガスマイクロスコープのデータを用いて、非相互作用系に限らず相互作用ボソン系に対しても正確な波動関数トモグラフィーが可能か？
• RQ2 標準的な変分モンテカルロとは異なり、反復的サンプリングを経ずに、実験的スナップショットをどのようにして変分波動関数の最適化に活用できるか？
• RQ3 データが限られた状況下で、相関関数が波動関数再構成をどのように可能にするか？
• RQ4 量子モンテカルロのデータで学習した機械学習モデルが、実験的スナップショットから量子相をどの程度正確に同定できるか？
• RQ5 密度行列最適化を用いて、波動関数トモグラフィーをどのようにして有限温度系に拡張できるか？

主な発見

• 量子ガスマイクロスコープのデータを用いることで、非相互作用系に限られていたこれまでの結果を越えて、相互作用ボソン系に対しても正確な波動関数トモグラフィーが可能である。
• 反復的変分モンテカルロサンプリングに代えて、実験的スナップショットを直接使用する手法を採用することで、計算負荷を著しく低減し、リアルタイム解析が可能になる。
• 波動関数重なりの最適化とエネルギー最小化手法を、実験データに直接適用することで、正確な変分波動関数を抽出できる。
• 実験的スナップショットから導出される相関関数は、データが限られた状況下でも波動関数再構成に十分な情報を提供する。
• 量子モンテカルロの構成で学習したニューラルネットワークは、秩序パラメータの事前知識がなくても、実験的スナップショットから量子相を正しく同定でき、有限温度でも同様の性能を示す。
• 波動関数トモグラフィー、機械学習、密度汎関数理論の統合により、実験データから量子多体系の包括的・マルチメソッドな解析が可能になる。