[論文レビュー] Self-Learning Monte Carlo Method: Continuous-Time Algorithm

Yuki Nagai, Huitao Shen+3 more|DSpace@MIT (Massachusetts Institute of Technology)|May 18, 2017

Model Reduction and Neural Networks被引用数 8

ひとこと要約

本稿では、フェルミ粒子系の量子モンテカルロシミュレーションを高速化する自己学習連続時間モンテカルロ（CT-AUX）手法を提案する。この手法は、図の生成関数（DGF）を学習させ、グローバルかつ相関のない配置を提案することで、計算コストを削減する。DGFは学習された補助場分布から導出され、高い受容率を実現するグローバルな更新を可能にし、特に低温または強い結合領域では、標準的なCT-AUXが長い自己相関時間に悩まされる問題を軽減する。

ABSTRACT

The recently-introduced self-learning Monte Carlo method is a general-purpose numerical method that speeds up Monte Carlo simulations by training an effective model to propose uncorrelated configurations in the Markov chain. We implement this method in the framework of continuous time Monte Carlo method with auxiliary field in quantum impurity models. We introduce and train a diagram generating function (DGF) to model the probability distribution of auxiliary field configurations in continuous imaginary time, at all orders of diagrammatic expansion. By using DGF to propose global moves in configuration space, we show that the self-learning continuous-time Monte Carlo method can significantly reduce the computational complexity of the simulation.

研究の動機と目的

• 低温または強い結合領域において、標準的な連続時間補助場量子モンテカルロ（CT-AUX）シミュレーションの高い計算コストを低減すること。特に、その分野で長時間の自己相関時間が生じる問題に焦点を当てる。
• 標準的なCT-AUXにおいて、局所的更新毎に高価なフェルミオン行列式計算が発生するというボトル neck を解消するため、これを高速な有効モデル評価に置き換えること。
• 学習された場の配置分布を基盤として、効率的なグローバル更新を導く一般化可能な統計的に正確な手法を開発すること。
• 自己学習手法が詳細平衡を保ちつつ、シミュレーション時間を顕著に短縮できることを示すこと。
• 特に臨界点近辺で標準的手法が遅延する動的平均場理論（DMFT）における効率的なインピーリティソルバーの実現を可能にすること。

提案手法

• 連続時間の虚数時間における補助場配置のボルツマン重みを近似する有効モデル $ H_{\text{eff}}[\phi(x)] $ として、図の生成関数（DGF）を学習する。
• 試行シミュレーションを用いた学習段階で配置とその重みを収集し、DGFのパラメータを実際の配置分布に一致させるように最適化する。
• 実際のシミュレーションでは、DGFを用いて配置空間におけるグローバルな移動を提案し、元のハミルトニアンの詳細平衡に従って受容を決定する。
• DGFの重みを配置の明示的関数として効率的に計算し、高価なフェルミオン行列式評価を回避する。
• 単一インピーリティーアンダーソンモデルにDGFをCT-AUXフレームワークに統合し、頂点挿入/削除の高速更新アルゴリズムを適用する。
• 自己相関時間とスピードアップ比を指標として用い、$ U $, $ \beta $, および $ \langle n \rangle $ の変動下で、自己学習CT-AUXと標準CT-AUXを比較する。

実験結果

リサーチクエスチョン

• RQ1 学習された有効モデル（DGF）は、連続時間の図的展開における補助場配置の全分布を正確に表現できるか？
• RQ2 DGFを用いてグローバルな移動を提案することで、標準的な局所的更新スキームと比較してCT-AUXシミュレーションの自己相関時間を短縮できるか？
• RQ3 自己学習CT-AUX手法の計算複雑度のスケーリングはどのようになるか？特に強い結合または低温領域において、標準CT-AUXと比較してどのように異なるか？
• RQ4 自己学習手法のスピードアップ比は、相互作用強さ $ U $、逆温度 $ \beta $、平均展開次数 $ \langle n \rangle $ といった系のパラメータにどのように依存するか？
• RQ5 DGFは、すべての展開次数において正確な場の分布を捉えることができる、単純で解析的に取り扱いやすい形に構築可能か？

主な発見

• 単一インピーリティーアンダーソンモデルにおけるDGFは、驚くほど単純な形をとり、連続時間における図的展開のすべての次数で正確な補助場分布を高い精度で再現する。
• 自己学習CT-AUX手法は、特に低温および強い結合領域において、自己相関時間を顕著に短縮する。標準CT-AUXはこの領域で臨界遅れ（critical slowing down）に苦しむが、本手法はその問題を緩和する。
• スピードアップ比 $ t_s \sim \frac{\langle n \rangle}{m_c \tau_{\text{SL}}} $ は平均展開次数 $ \langle n \rangle $ に比例して増加し、$ \langle n \rangle \sim \beta U $ であるため、$ \beta $ や $ U $ が高くなると、本手法の利点が顕著になる。
• 自己学習手法の計算コストは $ \mathcal{O}\left(\langle n\rangle^3 + m_c \langle n\rangle \tau_{\text{ori}}\right) \tau_{\text{SL}} $ に比例するが、第二項が支配的になる（$ \tau_{\text{ori}} $ が長いから）。しかし、DGFにより必要な更新回数の有効な削減が可能になる。
• DGFに基づくグローバル更新では $ \tau_{\text{SL}} \sim \mathcal{O}(1) $ が達成され、ほぼ相関のないサンプリングが実現される。また、詳細平衡により統計的正確性が保たれる。
• 実際のシミュレーションでは顕著なスピードアップが得られ、システムの複雑度が高くなるほど加速比が増大する。このため、DMFTにおけるインピーリティーソルバーおよび臨界点の研究に最適である。