[論文レビュー] Unsupervised detection of topological quantum state equivalences

Oleksandr Balabanov, Mats Granath|arXiv (Cornell University)|Aug 9, 2019

Topological Materials and Phenomena被引用数 1

ひとこと要約

本稿では、『トポロジカル・データオーグメンテーション』手順を通じてトポロジカルに不変なデータを生成することにより、トポロジカルな量子状態の同値性を同定する非教師あり深層学習フレームワークを提案する。ダミー・ラベルを付与したトポロジカルに同値な状態のアンサンブルを用いて、ニューラルネットワークを訓練することで、1次元および2次元の2バンド絶縁体において、ウィンディング数およびチェーン数をトポロジカル不変量として用い、訓練範囲を越えてほぼ完璧な正確性で任意の量子状態をトポロジカルクラスに分類することが可能であることを示している。

ABSTRACT

Unsupervised machine learning is a cornerstone of artificial intelligence as it provides algorithms capable of learning tasks, such as classification of data, without explicit human assistance. We present an unsupervised deep learning protocol for finding topological indices of quantum systems. The core of the proposed scheme is a 'topological data augmentation' procedure that uses seed objects to generate ensembles of topologically equivalent data. Such data, assigned with dummy labels, can then be used to train a neural network classifier for sorting arbitrary objects into topological equivalence classes. Our protocol is explicitly illustrated on 2-band insulators in 1d and 2d, characterized by a winding number and a Chern number respectively. By using the augmentation technique also in the classification step we can achieve accuracy arbitrarily close to 100% even for objects with indices outside the training regime.

研究の動機と目的

• 人為的ラベルなしで量子系におけるトポロジカル不変量を同定する非教師あり機械学習プロトコルの開発。
• ラベル付きトレーニングデータが不足または存在しない状況におけるトポロジカル量子状態の分類課題に対処すること。
• データオーグメンテーションを用いて、初期トレーニング分布外のトポロジカルインデックスに一般化できることを実現すること。
• ウィンディング数およびチェーン数をトポロジカル不変量として用い、1次元および2次元の2バンド絶縁体において、本手法の有効性を示すこと。

提案手法

• 本手法は、シードオブジェクトからトポロジカルに同値な量子状態のアンサンブルを生成する『トポロジカル・データオーグメンテーション』手順を採用する。
• これらのオーグメント済みデータポイントはダミー・ラベルが付与され、非教師ありの方法でニューラルネットワーク分類器を事前学習する。
• 分類器は、一般化を向上させるために推論時にも同じオーグメンテーション技術を用いて微調整される。
• 生成されたデータのトポロジカル不変性を活用することで、ネットワークが偶然的なパターンではなく、トポロジカル同値性を学習することを保証する。
• 本手法は1次元および2次元の2バンド絶縁体に適用され、ウィンディング数およびチェーン数がトポロジカルインデックスとして用いられる。
• 本手法により、元のトレーニングセットに存在しないインデックスを持つ状態に対しても、高い正確性での分類が可能である。

実験結果

リサーチクエスチョン

• RQ1 人為的ラベルなしで、非教師あり深層学習を用いて量子系におけるトポロジカル不変量を検出可能か？
• RQ2 量子状態多様体におけるトポロジカル同値性を保つように、データオーグメンテーションをどのように設計できるか？
• RQ3 限定的なトポロジカルインデックス集合でトレーニングされた分類器が、未観測のインデックスにどの程度一般化できるか？
• RQ4 推論時にも同じオーグメンテーション手順を適用することで、トレーニング範囲を超えた分類正確性を向上させられるか？

主な発見

• 提案手法は、トレーニング分布外のトポロジカルインデックスを持つ1次元および2次元の2バンド絶縁体に対しても、正確性が100％に限りなく近い水準に達する。
• トポロジカル・データオーグメンテーションにより、多様だがトポロジカルに一貫したデータサンプルを生成することで、ネットワークがトポロジカル同値性を学習できる。
• トレーニング時にダミー・ラベルを使用することで、トポロジカルインデックスに関する教師なしで不変表現を学習できる。
• トレーニング時に観測されなかったインデックスを持つ状態に対しても、本手法は分布シフトに対して強い一般化性能を示す。
• 推論時にも同じオーグメンテーション技術を適用することで、分類器は高い性能を維持し、その信頼性が確認された。