[論文レビュー] Visualizing Correlations in the 2D Fermi-Hubbard Model with AI

Ehsan Khatami, Elmer Guardado-Sanchez+4 more|arXiv (Cornell University)|Feb 27, 2020

Expert finding and Q&A systems被引用数 9

ひとこと要約

この論文は、超低温原子のスナップショットに訓練された畳み込みニューラルネットワーク（CNN）を用いて、2次元フェルミ Hubbard模型における微細な電子相関を可視化し、同定するAI駆動のアプローチを提案する。単一種の原子像からパターンを学習することで、長距離および短距離スピン相関を同定し、奇妙な金属相のための複雑な順序パラメータを特定する。これは、順序パラメータに関する事前の仮定が不要な非バイアス手法を提供し、フェルミ液体でない振る舞いを検出可能である。

ABSTRACT

Strongly correlated phases of matter are often described in terms of straightforward electronic patterns. This has so far been the basis for studying the Fermi-Hubbard model realized with ultracold atoms. Here, we show that artificial intelligence (AI) can provide an unbiased alternative to this paradigm for phases with subtle, or even unknown, patterns. Long and short range spin correlations spontaneously emerge in filters of a convolutional neural network trained on snapshots of single atomic species. In the less well-understood strange metallic phase of the model, we find that a more complex network trained on snapshots of local moments produces an effective order parameter for the non-Fermi liquid behavior. Our technique can be employed to characterize correlations unique to other phases with no obvious order parameters or signatures in projective measurements, and has implications for science discovery through AI beyond strongly correlated systems.

研究の動機と目的

• 従来の順序パラメータが存在しない、もしくは未知の強い相関を示す量子多体系において、バイアスのない手法で電子相関を同定すること。
• 人工知能が、フェルミ Hubbard模型の超低温原子実験において、微細な、あるいは未知のパターンを検出できるかを検証すること。
• フェルミ液体の記述が明確でない奇妙な金属相を、AIを用いて有効な順序パラメータを発見することで特徴づけること。
• AIが、従来の測定に基づくシグネチャーを超えて、量子多体物理学における発見ツールとして機能できることを示すこと。

提案手法

• 超低温原子系における単一種の原子のスナップショットに畳み込みニューラルネットワーク（CNN）を訓練し、潜在的な相関パターンを学習すること。
• 訓練済みのCNNフィルタの特徴マップを用いて、系内に現れる長距離および短距離スピン相関を可視化すること。
• 局所モーメントに深層ニューラルネットワークを訓練し、奇妙な金属相のより複雑な順序パラメータを抽出すること。
• 事前に定義された順序パラメータや射影測定に依存せずに、フェルミ液体でない振る舞いを検出するためにAIモデルを適用すること。
• ネットワークの内部表現を、明らかな対称性の破れのない秩序のない量子相をデータ駆動でプローブする手段として用いること。

実験結果

リサーチクエスチョン

• RQ1 AIは、従来の順序パラメータでは特定できない、2次元フェルミ Hubbard模型における隠れた電子相関パターンを検出可能か？
• RQ2 畳み込みニューラルネットワークは、単一種の原子スナップショットから、長距離および短距離スピン相関をどのように明らかにするか？
• RQ3 より複雑なニューラルネットワークアーキテクチャは、明確なフェルミ液体記述のない奇妙な金属相の意味のある順序パラメータを抽出できるか？
• RQ4 AIは、顕著な実験的シグネチャーのない量子相に対して、どの程度非バイアスの発見ツールとして機能できるか？

主な発見

• CNNフィルタは、標準的手法では顕在しない場合でも、フェルミ Hubbard模型における長距離および短距離スピン相関を効果的に可視化した。
• 局所モーメントからの学習を通じて、奇妙な金属相の非自明な順序パラメータを同定した。これは、フェルミ液体でない振る舞いを特徴づける新しい方法を示唆する。
• AIアプローチは、対称性や秩序に関する事前の仮定なしに、データにパターンを明らかにした。これは、既知の順序パラメータのない相における発見を可能にする。
• この手法は、深層学習が、事前の知識なしに、純粋な実験的スナップショットからのみ、物理的に意味のある信号を量子多体系から抽出できることを示している。