[논문 리뷰] Continuous-mixture Autoregressive Networks for efficient variational calculation of many-body systems

Lingxiao Wang, Yin Jiang외 2명|arXiv (Cornell University)|2020. 05. 11.

Quantum many-body systems참고 문헌 14인용 수 5

한 줄 요약

이 논문은 연속 스핀 자유도를 가진 다체계를 효율적으로 계산하기 위해 격자 위치 간 조건부 확률 분포를 모델링하는 연속 혼합 자기회귀 네트워크(CANs)를 소개한다. 이 방법은 2차원 XY 모델에서 Kosterlitz-Thouless 전이를 성공적으로 복원하고, 비모수적 방식으로 소용돌이를 탐지하며, 비례 상수 β ≈ 1.10에서 비틀림 모듈러스를 사용해 임계 둑속도 문제에 걸리지 않는 방식으로 전이 온도를 계산한다.

ABSTRACT

We develop deep autoregressive networks with multi channels to compute many-body systems with \emph{continuous} spin degrees of freedom directly. As a concrete example, we embed the two-dimensional XY model into the continuous-mixture networks and rediscover the Kosterlitz-Thouless (KT) phase transition on a periodic square lattice. Vortices characterizing the quasi-long range order are accurately detected by the autoregressive neural networks. By learning the microscopic probability distributions from the macroscopic thermal distribution, the neural networks compute the free energy directly and find that free vortices and anti-vortices emerge in the high-temperature regime. As a more precise evaluation, we compute the helicity modulus to determine the KT transition temperature. Although the training process becomes more time-consuming with larger lattice sizes, the training time remains unchanged around the KT transition temperature. The continuous-mixture autoregressive networks we developed thus can be potentially used to study other many-body systems with continuous degrees of freedom.

연구 동기 및 목표

• 기존 MCMC의 한계, 예를 들어 임계 둑속도와 부호 문제를 피할 수 있는 연속 자유도를 가진 다체계를 위한 변분 방법을 개발한다.
• 딥 생성 모델을 활용해 연속 스핀 시스템에서 소용돌이 같은 위상 결함을 비지도 방식으로 탐지할 수 있도록 한다.
• 2차원 XY 모델과 같은 시스템에서 열역학적 양과 상전이를 계산하기 위한 몬테카를로 방법의 확장 가능한 효율적 대안을 제공한다.
• 자기회귀 신경망이 양자 및 통계 물리 시스템에서 장거리 상관관계와 위상적 질서를 모델링할 수 있는 능력을 입증한다.

제안 방법

• 다체계의 공동 확률 분포를 격자 위치에서의 조건부 확률의 자기회귀 분해를 통해 모델링하는 연속 혼합 자기회귀 네트워크(CANs)를 제안한다.
• 각 격자 위치에서 연속 조건부 확률 분포를 표현하기 위해 다중 채널 베타 분포 혼합을 사용하여 연속 스핀 변수의 유연한 모델링을 가능하게 한다.
• macroscopic 열역학적 분포로부터 microscop적 확률 분포를 학습하기 위해 변분 접근법을 사용하며, 직접적으로 자유 에너지를 계산한다.
• GPU 가속을 활용해 구성 생성을 효율적으로 수행하며, 학습 시간이 격자 크기의 다항식 비율로 증가한다(t_train ∝ L^1.708).
• CAN이 생성한 구성에서 계산된 비틀림 모듈러스를 사용해 2kBT/π와의 교차점을 통해 Kosterlitz-Thouless 전이 점을 특정한다.
• 학습 과정을 비지도 방식으로 수행하여 소용돌이와 반소용돌이가 학습된 구성에서 자연스럽게 나타나도록 한다.

실험 결과

연구 질문

• RQ1 연속 조건부 분포를 가진 딥 자기회귀 네트워크는 연속 스핀 시스템에서 위상적 상전이를 효과적으로 모델링하고 탐지할 수 있는가?
• RQ2 기존 MCMC 방법과 달리, CANs는 상전이 부근에서 임계 둑속도를 피할 수 있는가?
• RQ3 CANs는 2차원 XY 모델의 Kosterlitz-Thouless 전이와 같이 알려진 상전이 온도를 어느 정도 정확하게 재현할 수 있는가?
• RQ4 CANs가 생성한 소용돌이와 반소용돌이의 능력은 표준 몬테카를로 시뮬레이션과 비교해 어떻게 다른가?
• RQ5 CANs에서 학습 시간의 격자 크기 비율은 어떻게 되며, GPU에서 효율적으로 병렬화될 수 있는가?

주요 결과

• CAN 모델은 2차원 XY 모델에서 Kosterlitz-Thouless 전이를 성공적으로 복원하였으며, 전이 온도는 β_KT ≈ 1.10로 추정되었으며, 표준 몬테카를로 결과와 일치한다.
• CAN이 생성한 구성에서 계산된 비틀림 모듈러스는 격자 크기 L = 16일 때 β ≈ 1.10에서 2kBT/π와 교차점을 보이며, 상전이를 확인한다.
• 표시 없이도 생성된 구성에서 소용돌이와 반소용돌이가 자연스럽게 나타나, 위상 결함의 비지도 탐지를 입증한다.
• 온도에 관계없이 단위 스텝당 학습 시간이 약 0.2초로 거의 일정하여, 임계 둑속도 문제가 효과적으로 완화됨을 나타낸다.
• 학습 시간은 t_train(L) ≈ 0.0026 × L^1.708로 스케일링되며, 격자 크기의 다항식 의존성을 보이며 GPU 가속을 통해 관리 가능한 수준임을 보여준다.
• 이 방법은 장거리 상관관계에 의존하는 자유 에너지 및 비틀림 모듈러스와 같은 고차원 통계량을 고정밀도로 직접 계산할 수 있다.