[논문 리뷰] Gauge Equivariant Neural Networks for 2+1D U(1) Gauge Theory Simulations in Hamiltonian Formulation

Di Luo, Shunyue Yuan외 2명|arXiv (Cornell University)|2022. 11. 06.

Model Reduction and Neural Networks인용 수 5

한 줄 요약

이 논문은 해밀토니안 형식의 2+1차원 U(1) 격자 양자 게이지 이론에 대한 변분 양자 시뮬레이션을 위한 게이지 등변 신경망(GNNs)을 소개한다. 네트워크 아키텍처에서 게이지 등변성을 강제화함으로써, 이론은 강한 결합 영역에서 복소 가우시안 파동함수보다 우수한 성능을 보이며, 약한 결합 영역에서는 유사한 결과를 얻는다. 게이지 등변성 블록 설계를 통해 정확한 게이지 불변성이 유지된다.

ABSTRACT

Gauge Theory plays a crucial role in many areas in science, including high energy physics, condensed matter physics and quantum information science. In quantum simulations of lattice gauge theory, an important step is to construct a wave function that obeys gauge symmetry. In this paper, we have developed gauge equivariant neural network wave function techniques for simulating continuous-variable quantum lattice gauge theories in the Hamiltonian formulation. We have applied the gauge equivariant neural network approach to find the ground state of 2+1-dimensional lattice gauge theory with U(1) gauge group using variational Monte Carlo. We have benchmarked our approach against the state-of-the-art complex Gaussian wave functions, demonstrating improved performance in the strong coupling regime and comparable results in the weak coupling regime.

연구 동기 및 목표

• 양자 격자 게이지 이론에서 게이지 대칭을 존중하는 신경망 기반 변분 파동함수를 개발하는 것.
• 해밀토니안 형식에서 U(1) 대칭을 가진 연속 변수 게이지 이론으로 신경망 양자 상태를 확장하는 것.
• 伝통적 방법이 어려움을 겪는 강한 결합 영역에서 기본 상태 에너지 추정을 향상시키는 것.
• 아키텍처 설계를 통해 정확한 게이지 불변성을 유지하여 양자 시뮬레이션의 물리적 일관성을 확보하는 것.
• 약한 및 강한 결합 영역에서 최신의 복소 가우시안 파동함수와의 비교를 통해 방법의 성능을 평가하는 것.

제안 방법

• 네트워크의 출력이 국소 게이지 변환에 대해 올바르게 변환되도록 보장하기 위해, 은닉 벡터 공간 간의 게이지 등변 비선형 변환을 순차적으로 적용한다.
• 신경망의 각 층은 게이지 군 작용에 대해 등변하도록 설계되며, 최종 출력은 물리적 관측량에 대해 게이지 불변이 된다.
• 입력은 격자 모서리에 있는 U(1) 게이지 장을 나타내는 복소 벡터 공간에 매핑되며, 파동함수는 등변 활성화 함수를 가진 완전 연결 층의 조합으로 매개변수화된다.
• 변분 몬테카를로와 스 tochastic reconfiguration를 사용하여 학습하며, 국소 에너지 추정자와 기울기 업데이트를 통해 에너지를 최소화한다.
• 게이지 등변성 블록은 아벨 군인 U(1)에 적응된 군 등변 컨볼루션 레이어를 사용하여 구성되며, 정점 기반 게이지 변환 하에서 변환 성질을 유지한다.
• 메소드는 2차원 정사각형 격자 위의 코구트-수신드 모델에 적용되며, 파동함수 정규화 및 기대값은 마르코프 체인 몬테카를로 샘플링을 통해 계산된다.

실험 결과

연구 질문

• RQ1 게이지 등변 신경망은 존재하는 복소 가우시안 파동함수보다 2+1차원 U(1) 격자 양자 게이지 이론의 기본 상태에 대해 더 정확한 변분 앤사즈를 제공할 수 있는가?
• RQ2 게이지 등변 네트워크의 성능은 강한 및 약한 결합 영역 모두에서 복소 가우시안 파동함수와 비교해 어떻게 되는가?
• RQ3 네트워크 아키텍처에 게이지 등변성을 강제화하면 수렴성과 양자 시뮬레이션의 물리적 일관성에 더 좋은 영향을 미치는가?
• RQ4 이 방법은 2+1차원 U(1) 이론에서 색 금속 현상의 징후인 윌슨 루프의 지수적 감쇠를 정확히 포착할 수 있는가?
• RQ5 시스템 크기와 결합 강도는 게이지 등변 신경망 방법의 최적화 및 정확도에 어떤 영향을 미치는가?

주요 결과

• 강한 결합 영역(g ≥ 1)에서는 게이지 등변 신경망(Equ-NN 및 Equ3-NN)이 복소 가우시안 파동함수보다 항상 낮은 기본 상태 에너지를 달성하며, g가 1에 가까워질수록 성능 향상이 뚜렷하다.
• 약한 결합 영역(g² = 0.3에서 0.9 사이)에서는 복소 가우시안 파동함수와 유사한 기본 상태 에너지를 달성하며, g² ≥ 0.6일 경우 성능 향상이 관찰된다.
• 게이지 등변 네트워크로 계산된 윌슨 루프 관측량은 면적에 따라 지수적으로 감쇠되며, 2+1차원 U(1) 게이지 이론에서 기대되는 색 금속 행동과 일치한다.
• 이 방법은 파동함수의 정확한 게이지 불변성을 유지하여 물리적 일관성을 확보하고, 변분 앤사즈에서 대칭 깨짐 아티팩트를 방지한다.
• 스토하스틱 재구성 최적화 방법은 성공적으로 수렴하였으며, 에너지 기울기는 국소 에너지 추정자와 파동함수의 제곱에서의 샘플링을 통해 계산되었다.
• 네트워크는 g→0 근처에서 델타 함수 유사 기본 상태를 다루는 데에 제한이 있어, 이 영역에서 가우시안 파동함수와의 미세한 성능 차이가 발생한다.