[論文レビュー] Time-dependent variational principle for open quantum systems with artificial neural networks

Reh, Moritz, Schmitt, Markus+1 more|arXiv (Cornell University)|Mar 31, 2021

Quantum many-body systems被引用数 52

ひとこと要約

本稿では、確率的POVM定式化を用いて密度行列を表現する深層自己回帰ニューラルネットワークを用いた、開放量子系における時間に依存する変分原理（TDVP）を提案する。リンブレート方程式に従ってネットワークパラメータを動的に更新することで、1次元および2次元スピン系における散乱量子ダイナミクスの正確でスケーラブルなシミュレーションが可能となり、最大40スピンまで対応する。非平衡的相関の拡散が散乱系において √t スケーリングに従うことが示され、長時間にわたる信頼性の高い時間発展が実現されている。

ABSTRACT

We develop a variational approach to simulating the dynamics of open quantum many-body systems using deep autoregressive neural networks. The parameters of a compressed representation of a mixed quantum state are adapted dynamically according to the Lindblad master equation by employing a time-dependent variational principle. We illustrate our approach by solving the dissipative quantum Heisenberg model in one and two dimensions for up to 40 spins and by applying it to the simulation of confinement dynamics in the presence of dissipation.

研究の動機と目的

• 散乱を伴う量子多体系をスケーラブルに変分的にシミュレートする手法の開発。
• 従来の手法の制限（ネットワークの深さ制限、グローバル最適化、高次元におけるスケーラビリティの欠如）を、深層自己回帰ニューラルネットワークを活用することで克服すること。
• 散乱量子系の長時間ダイナミクス、特にコンfinementのような非平衡現象を正確にシミュレートできること。
• 基礎となるリンブレートマスター方程式を尊重する一般化された局所的更新スキームを提供すること。

提案手法

• 対称的かつ情報的に完全なPOVM（SIC-POVM）を用いて、POVM結果の確率分布として量子状態を表現することで、実数値かつ確率論的定式化を可能にする。
• 自己回帰構造を有する深層自己回帰ニューラルネットワーク（RNNまたは2D-RNN）を用いて、条件付き確率分布 P(ai|a<i) をパrameter化し、効率的かつ逐次的な測定結果の生成を可能にする。
• ネットワークパラメータの時間発展を記述する1階微分方程式を導出する時間に依存する変分原理（TDVP）を構築し、各時間ステップでグローバル最適化を必要としない局所的かつ2次更新が可能になる。
• 確率的定式化においてリンブレート方程式を用い、確率分布の時間発展を導出し、リンブレーター L が高次元確率空間上にスパース演算子として作用することを示す。
• 適応的許容誤差を有するS行列に基づく積分スキームを適用し、時間発展中の数値的安定性と精度を確保する。
• 大規模系における数値的アンダーフローを回避するため、対数確率表現を採用し、隠れ状態を逐次的または2次元グリッド形式で処理することで空間相関を保持する。

実験結果

リサーチクエスチョン

• RQ1 深層自己回帰ニューラルネットワークを用いることで、高い精度とスケーラビリティを備えた散乱量子多体ダイナミクスの変分的シミュレーションが可能か？
• RQ2 提案されたTDVPフレームワークは、深層ネットワークに対してもグローバル最適化を必要とせず、安定的かつ局所的かつ効率的なパラメータ更新を可能にするか？
• RQ3 本手法は、1次元および2次元スピン系における非平衡ダイナミクス（例えば、散乱相関の拡散やコンフィネーション）をどれほど正確に捉えられるか？
• RQ4 本手法は、相関の減衰が定常状態に近づく過程を信頼性高く長時間ダイナミクスで再現できるか？

主な発見

• 本手法は、最大40スピンの1次元散乱ヘイゼンベルグ模型および4×4の2次元系をシミュレートでき、正確対角化を超えるスケーラビリティを示した。
• 散乱コンフィネーション模型における相関の拡散は √t スケーリングに従い、初回通過データへのフィットから y = ax^(1/b) の形で b = 2.04 が得られ、拡散的挙動と整合的である。
• 1次元N=10スピンおよび2次元3×3系において、ニューラルネットワーク手法は正確な結果を高精度に再現し、平均磁化および結合相関関数が数値精度内で一致した。
• 定常状態における相関の時間的減衰がゼロに近づくことを確認し、正しい散乱緩和ダイナミクスが再現された。
• 局所的更新を有する自己回帰ネットワークの使用により、平均場的または半古典的近似で一般的に見られる不安定性を回避し、長時間スケールで安定かつ正確なシミュレーションが可能になった。
• 局所的TDVPスキームによるパラメータの動的更新により、ネットワーク表現力と計算効率の両面で、従来手法を上回る高い状態遷移の忠実度を達成した。