[論文レビュー] Neural-network quantum states for ultra-cold Fermi gases

Jane Kim, Gabriel Pescia+6 more|arXiv (Cornell University)|May 15, 2023

Cold Atom Physics and Bose-Einstein Condensates被引用数 4

ひとこと要約

本稿では、メッセージパッシングアーキテクチャとバックフロー変換を組み合わせたペフリアン・ジャストロウニューラルネットワーク量子状態を導入し、超低温フェルミガスにおける強い対称性相関を効率的にモデル化する。この手法は、拡散モンテカルロ（DMC）のベンチマークを下回る基底状態エネルギーを達成し、安定した転移学習加速型のBCS-BEC遷移域の探索を可能にし、ユニタリティ近傍領域を含む。

ABSTRACT

Ultra-cold Fermi gases display diverse quantum mechanical properties, including the transition from a fermionic superfluid BCS state to a bosonic superfluid BEC state, which can be probed experimentally with high precision. However, the theoretical description of these properties is challenging due to the onset of strong pairing correlations and the non-perturbative nature of the interaction among the constituent particles. This work introduces a novel Pfaffian-Jastrow neural-network quantum state that includes backflow transformation based on message-passing architecture to efficiently encode pairing, and other quantum mechanical correlations. Our approach offers substantial improvements over comparable ansätze constructed within the Slater-Jastrow framework and outperforms state-of-the-art diffusion Monte Carlo methods, as indicated by our lower ground-state energies. We observe the emergence of strong pairing correlations through the opposite-spin pair distribution functions. Moreover, we demonstrate that transfer learning stabilizes and accelerates the training of the neural-network wave function, enabling the exploration of the BCS-BEC crossover region near unitarity. Our findings suggest that neural-network quantum states provide a promising strategy for studying ultra-cold Fermi gases.

研究の動機と目的

• 超低温フェルミガスにおける強い対称性および相関効果を偏りのない物理的アンザッツに依存せずに、柔軟かつ対称性を尊重するニューラルネットワーク量子状態として捉えること。
• 従来の変分モンテカルロ法や拡散モンテカルロ法の限界、特に固定ノード近似と初期波動関数の選択依存性を克服すること。
• 局所的最小値に陥るリスクを回避するため、転移学習を用いてBCS-BEC遷移域、特にユニタリティ極限近くの正確で安定したシミュレーションを可能にすること。
• 強相関フェルミオン系、例えば核物質や分子などへの応用が可能なスケーラブルかつ一般化可能なフレームワークを提供すること。
• ペフリアン・ジャストロウ量子状態が、軌道構造に関する事前の仮定なしに、非摂動的相関をより効果的に記述できることを示すこと。

提案手法

• 提案手法は、ペフリアン・ジャストロウ（PJ）ニューラルネットワーク量子状態（PJ-BF）を用い、ペフリアン行列式を対称性相関を記述するために組み合わせたものである。
• バックフロー変換を計算するために、メッセージパッシングニューラルネットワーク（MPNN）が用いられ、多数体相関に基づいて単粒子軌道を動的に再構成する。
• MPNNアーキテクチャは、系のグラフ表現を通じて粒子間を情報伝達することで、空間的およびスピン依存相関を符号化する。
• 波動関数は、確率的再配置を用いた変分モンテカルロ（VMC）法により最適化され、効率的で安定した学習が保証される。
• 転移学習は、粒子数が少なく、または既知の物理的性質を持つ系で事前学習を行い、その後、より大きなまたはより複雑な系に微調整することで適用される。特にユニタリティ近傍で有効である。
• 並進不変性、パリティ、時間反転対称性といった対称性が、ニューラルネットワークアーキテクチャに明示的に組み込まれ、物理的整合性を保証する。

実験結果

リサーチクエスチョン

• RQ1 バックフローとメッセージパッシングアーキテクチャを備えたニューラルネットワーク量子状態は、超低温フェルミガスのシミュレーションにおいて、標準的なスレーター・ジャストロウ法や拡散モンテカルロ法を上回ることができるか？
• RQ2 特にユニタリティ極限近くで、転移学習が強相関フェルミオン系における学習の安定性と高速化をどの程度効果的に実現できるか？
• RQ3 ペフリアン・ジャストロウアンザッツは、軌道構造に関する事前の仮定なしに、非摂動的対称性相関をどの程度正確に捉えることができるか？
• RQ4 提案手法は、核物質やアイソスピン非対称系を含む他の強相関系へ一般化可能か？
• RQ5 MPNNによるバックフローの導入は、単粒子像に基づく手法と比較して、BCS-BEC遷移域の記述をどの程度改善するか？

主な発見

• バックフローを備えたペフリアン・ジャストロウニューラルネットワーク状態（PJ-BF）は、拡散モンテカルロ（DMC）ベンチマークを下回る基底状態エネルギーを達成しており、より高い精度を示している。
• 転移学習により、BCS-BEC遷移域、特にユニタリティ近傍で安定的かつ効率的な学習が可能となり、局所的最小値への収束リスクが低減された。
• 反対スピン対分布関数は、強い対称性相関を示しており、モデルが非摂動的対称性振る舞いを正しく捉えていることを確認した。
• MPNNベースのバックフロー変換は、標準的な単粒子バックフローと比較して、深いつながりのある対称性相関の記述を顕著に改善した。
• 同じMPNNアーキテクチャを用いた場合でも、スレーター・ジャストロウアンザッツよりも本手法が優れていることを示しており、ペフリアン構造が対称性を記述する上で優位性を有することを裏付けた。
• フレームワークは一般化可能である：非極化系には1つのアーキテクチャで十分であり、$N\pm1$系は、未対応の軌道用に1つのFNNを追加するだけで処理可能で、直接的なギャップ計算が可能である。