[論文レビュー] Positive-definite parametrization of mixed quantum states with deep neural networks

Filippo Vicentini, Riccardo Rossi+1 more|arXiv (Cornell University)|Jun 27, 2022

Quantum many-body systems被引用数 6

ひとこと要約

本稿では、多項式リソースを用いて任意のランク、正定値密度行列を正確にパラメータ化することができる深層ニューラルネットワークアーキテクチャ、Gram-Hadamard密度演算子（GHDO）を提案する。自己回帰的構造を埋め込むことで、直接的なサンプリングが可能となり、混合量子状態の変分シミュレーションにおいて顕著な性能向上が達成された。非平衡トランスバース磁場イジング模型における局所的観測量およびRényiエントロピーの正確な推定が、その有効性を示している。

ABSTRACT

We introduce the Gram-Hadamard Density Operator (GHDO), a new deep neural-network architecture that can encode positive semi-definite density operators of exponential rank with polynomial resources. We then show how to embed an autoregressive structure in the GHDO to allow direct sampling of the probability distribution. These properties are especially important when representing and variationally optimizing the mixed quantum state of a system interacting with an environment. Finally, we benchmark this architecture by simulating the steady state of the dissipative transverse-field Ising model. Estimating local observables and the Rényi entropy, we show significant improvements over previous state-of-the-art variational approaches.

研究の動機と目的

• 任意のランク、正定値密度行列を、システムサイズに対して多項式コストで正確に表現できる柔軟な深層ニューラルネットワークアーキテクチャの開発。
• 変分モンテカルロ法における自己相関問題を回避するため、混合量子状態の対角確率分布に対する直接的サンプリングの実現。
• 浅いRBMや物理的に不適切なアーキテクチャの制限を克服し、深層構造においても物理的整合性（正定値性、エルミート性）を保証する。
• 特に非平衡トランスバース磁場イジング模型を含むオープン量子系を対象として、局所的およびグローバルな性質の両方を捉える能力をベンチマークする。
• 深く構造化されたニューラルネットワークが、オープン量子系の定常状態をシミュレートする際、最先端の変分手法を上回ることを実証する。

提案手法

• 正定値性を保証する行列要素の分解に基づき、$\hat{\rho} = \sum_{a=1}^{R} \sum_{\sigma,\eta} \psi_{\sigma_{\leq h},a} \psi^{*}_{\eta_{\leq h},a} \ket{\sigma}\bra{\eta}$ で定義されるGram-Hadamard密度演算子（GHDO）を提案。
• SELU非線形性を用いたマスク付き全結合層による、スピン配置上での階層的パラメータ化 $\psi_{\sigma_{\leq h},a}$ を採用し、スピン配置における深く自己回帰的な構造を実現。
• ネットワーク出力から条件付き確率 $p(\sigma_h|\sigma_{<h})$ を定義することで、マルコフ連鎖モンテカルロを用いない直接的構成生成を実現。
• 正規化と物理的整合性を維持するため、密度行列を条件付き分布の凸結合として表現する変分原理を用いてアーキテクチャを最適化。
• 最適化中に時間に依存する変分原理（TDVP）方程式を、正則化付き共役勾配ソルバーで解く。
• 効率的な微分プログラミングのためJAXとFlaxを採用。量子多体系シミュレーションにはNetKetを、分散学習にはmpi4jaxを用いる。

実験結果

リサーチクエスチョン

• RQ1 任意のランク、正定値密度行列を、システムサイズに対して多項式リソースで正確に表現できる深層ニューラルネットワークアーキテクチャを設計可能か？
• RQ2 このようなアーキテクチャに自己回帰的構造を埋め込み、対角確率分布の直接的サンプリングを可能にできるか？
• RQ3 特にオープン量子系において、既存の変分手法を上回る性能を示せるか？
• RQ4 非平衡系において、局所的観測量とRényiエントロピーのようなグローバルなもつれ性質を正確に捉えることができるか？
• RQ5 全密度行列表現の指数的スケーリングを回避しつつ、物理的に整合性のある深層アーキテクチャを混合状態に構築可能か？

主な発見

• GHDOアーキテクチャは、$N$-キュービット密度行列を $R = 2^N$ パラメータで正確に表現し、システムサイズに対して多項式リソースで正確なパラメータ化を達成する。
• 自己回帰的GHDOにより、対角確率分布の直接的サンプリングが可能となり、メトロポリス法に比べて顕著にサンプリング効率が向上する。
• 非平衡トランスバース磁場イジング模型のシミュレーションにおいて、GHDOは縮約1スピン密度行列を正確に再現しており、局所的観測量における高い忠実度を示している。
• GHDOを用いたRényi-2エントロピーの計算は期待値に収束し、グローバルなもつれ特徴を捉える能力を実証している。
• 定常状態シミュレーションにおいて、精度と収束速度の両面で、従来の最先端の変分手法を顕著に上回っている。
• 正定値性やエルミート性といった物理的制約を深層構造に組み込むことで、物理的に不適切なアーキテクチャや浅いRBMベースの手法に比べ、本手法は優れた性能を発揮している。