[논문 리뷰] Exact Machine Learning Topological States

Dong-Ling Deng, Xiaopeng Li외 1명|arXiv (Cornell University)|2016. 09. 28.

Quantum many-body systems참고 문헌 1인용 수 9

한 줄 요약

이 논문은 1차원 클러스터 상태와 2차원 토릭 코드와 같은 위상적 양자 상태의 정확하고 효율적인 표현을 고전적인 국소적 연결 인공신경망을 사용하여 달성할 수 있음을 보여준다. 이 표현은 정확하며, 물리적 스핀의 수와 동일한 수의 은닉 뉴런만으로도 가능하여 신경망이 이국적인 양자 상에 대해 매우 뛰어난 표현 능력을 지닌다는 것을 드러낸다.

ABSTRACT

Artificial neural networks play a prominent role in the rapidly growing field of machine learning and are recently introduced to quantum many-body systems to tackle complex problems. Here, we find that even topological states with long-range quantum entanglement can be represented with classical artificial neural networks. This is demonstrated by using two concrete spin systems, the one-dimensional (1D) symmetry-protected topological cluster state and the 2D toric code state with an intrinsic topological order. For both cases we show rigorously that the topological ground states can be represented by short-range neural networks in an {\it exact} fashion. This neural network representation, in addition to being exact, is surprisingly {\it efficient} as the required number of hidden neurons is as small as the number of physical spins. Our exact construction of topological-order neuron-representation demonstrates explicitly the exceptional power of neural networks in describing exotic quantum states, and at the same time provides valuable topological data to supervise machine learning topological quantum orders in generic lattice models.

연구 동기 및 목표

• 고전적인 인공신경망이 장거리 얽힘을 가진 위상적 양자 상태를 정확히 표현할 수 있는지 조사하기.
• 그러한 표현이 정확하고 효율적이며 지수적 스케일링을 피할 수 있는지 확인하기.
• 일반적인 격자 모델에서 위상적 양자 질서의 기계학습을 위한 신경망 기반 프레임워크 제공하기.

제안 방법

• 장거리 연결이 없는 인공신경망을 사용하여 위상 상태의 파동함수를 정확히 표현하기.
• 은닉 뉴런의 수가 물리적 스핀의 수와 동일한 신경망 아키텍처를 구성하기.
• 두 모델 시스템에 대해 신경망 표현을 적용하기: 1차원 대칭 보호 위상 클러스터 상태와 위상적 질서를 보이는 2차원 토릭 코드.
• 신경망 표현이 근사 없이 전체 위상 기저 상태 파동함수를 정확히 포괄함을 증명하기.
• 계산 비용이 시스템 크기와 선형적으로 증가함으로써 표현이 효율적임을 보여주기.
• 신경망 구조를 다른 모델에서 위상 질서의 기계학습을 위한 지도 학습을 안내하는 위상적 데이터 소스로 사용하기.

실험 결과

연구 질문

• RQ1 고전적인 인공신경망이 장거리 얽힘을 가진 위상적 양자 상태를 정확히 표현할 수 있는가?
• RQ2 시스템 크기와 선형적으로 증가하는 파rameter 수로 이러한 정확한 표현을 달성할 수 있는가?
• RQ3 신경망 아키텍처는 이러한 상태에 존재하는 비국소적 위상 질서를 어떻게 포착하는가?
• RQ4 신경망 표현이 일반적인 격자 모델에서 위상 상의 기계학습을 위한 지도 신호로 기능할 수 있는가?
• RQ5 위상 기저 상태를 충실하게 표현하기 위해 필요한 최소한의 네트워크 구조는 무엇인가?

주요 결과

• 1차원 대칭 보호 위상 클러스터 상태는 물리적 스핀 수와 동일한 은닉 뉴런 수를 가진 국소적 신경망으로 정확히 표현될 수 있다.
• 내재된 위상적 질서를 보이는 2차원 토릭 코드 상태 역시 동일한 뉴런-스핀 비율을 가진 국소적 신경망으로 정확히 표현 가능하다.
• 신경망 표현은 정확할 뿐 아니라 효율적이라도 하며, 파rameter 수가 시스템 크기와 선형적으로 증가한다.
• 구성은 국소적 고전적 연결을 통해 비국소적 위상 질서를 인공신경망이 어떻게 암호화할 수 있는지 명시적으로 드러낸다.
• 이 방법은 더 넓은 범위의 양자 시스템에서 위상 질서를 탐지하기 위한 기계학습 모델 훈련을 위한 새로운 정확한 데이터 소스를 제공한다.
• 결과적으로 신경망이 근사 없이도 위상 상태의 복잡한 양자 상관관계를 포착할 수 있음을 보여준다.