[논문 리뷰] High-accuracy variational Monte Carlo for frustrated magnets with deep neural networks

Christopher C. Roth, Attila Szabó외 1명|arXiv (Cornell University)|2022. 11. 14.

Advanced Condensed Matter Physics참고 문헌 70인용 수 4

한 줄 요약

이 논문은 공간군 대칭을 강제하고 새로운 계층별 확률 재구성(LayerSR) 최적화를 사용한 깊이 있는 군 컨볼루션 신경망(GCNN)-기반 변분 몬테카를로 방법을 제안한다. 이는 스핀 액체가 없는 사인 문제 없이, 불완전한 스핀 격자, 특히 정사각형 및 삼각 격자에서의 $J_1$-$J_2$ 헤이젠베르크 모델의 최고 성능 지표를 달성한다.

ABSTRACT

We show that neural quantum states based on very deep (4--16-layered) neural networks can outperform state-of-the-art variational approaches on highly frustrated quantum magnets, including quantum-spin-liquid candidates. We focus on group convolutional neural networks (GCNNs) that allow us to impose space-group symmetries on our ansätze. We achieve state-of-the-art ground-state energies for the $J_1-J_2$ Heisenberg models on the square and triangular lattices, in both ordered and spin-liquid phases, and discuss ways to access low-lying excited states in nontrivial symmetry sectors. We also compute spin and dimer correlation functions for the quantum paramagnetic phase on the triangular lattice, which do not indicate either conventional or valence-bond ordering.

연구 동기 및 목표

• 불완전한 스핀 격자 시뮬레이션에서 편향된 변분 방법과 사인 문제를 야기하는 양자 몬테카를로 방법의 한계를 극복하기 위해.
• 양자 스핀 액체와 경쟁하는 순서 있는 상을 정확하게 기술할 수 있는 신경 양자 상태(NQS) 안자수를 개발하기 위해.
• 깊이 있는 신경망에 공간군 대칭을 구현하여 변분 에너지 수렴성과 물리적 일관성을 향상시키기 위해.
• 비틀림이 있는 대칭 부문에서 낮은 에너지의 고excited 상태에 접근하여 상 전이를 식별하기 위해.
• 16×16 크기의 큰 격자에서 $J_1$-$J_2$ 헤이젠베르크 모델에 대해 기존 방법보다 더 높은 정확도를 달성하기 위해.

제안 방법

• 깊이가 깊은(4–16층) 군 컨볼루션 신경망(GCNNs)을 사용하여 공간군 대칭을 명시적으로 강제함으로써 변분 파동함수를 매개변수화한다.
• 대칭 투영은 그룹 평균 공식(Eq. 1b)을 통해 시행되며, 이는 파동함수가 격자의 공간군에 대해 올바르게 변환되도록 보장한다.
• 상태의 위상 학습이 불완전한 시스템에서 비가역적이므로, 파동함수의 분리된 진폭과 위상 구조를 피하고, 장거리 상관관계를 형성하기 위해 局부적이고 단거리 컨볼루션 필터를 사용한다.
• 메모리 사용량을 줄이고 수렴성을 향상시키기 위해, 매개변수를 계층별로 업데이트하면서 통계 정확도를 유지하는 새로운 계층별 확률 재구성(LayerSR) 최적화 기법을 도입한다.
• 국소 에너지 추정자와 분산 기반 랑츠 단계를 사용하여 변분 에너지 추정치를 정밀화하며, 통계 정확도를 향상시키기 위해 국소 추정자에 보정을 가한다.
• 최적화된 파동함수에서 스핀 및 두륨 상관함수를 계산하여 양자 무질서 상의 성격을 탐색한다.

실험 결과

연구 질문

• RQ1 명시적인 대칭 제약 조건을 가진 깊이 있는 신경 양자 상태가 불완전한 스핀 격자 시뮬레이션에서 기존의 변분 방법보다 뛰어난 성능을 보일 수 있는가?
• RQ2 GCNN 기반 NQS에 공간군 대칭을 강제하면 지배적 에너지 추정의 수렴성과 정확도가 향상되는가?
• RQ3 이 방법은 비틀림이 있는 대칭 부문에서 낮은 에너지의 고excited 상태에 신뢰성 있게 접근하여 양자 상 전이를 식별할 수 있는가?
• RQ4 삼각 격자에서의 $J_1$-$J_2$ 모델에서 계산된 스핀 및 두륨 상관함수는 전통적 또는 발렌스 결합 순서를 나타내는가?
• RQ5 LayerSR 최적화 기법은 과도한 메모리 비용 없이 깊은 NQS의 학습 안정성과 에너지 수렴성을 크게 향상시킬 수 있는가?

주요 결과

• 깊이 있는 GCNN 기반 NQS는 정사각형 격자와 삼각 격자에서 모두 $J_1$-$J_2$ 헤이젠베르크 모델의 최고 성능 지표를 달성하였으며, 양자 무질서 상에서도 성능이 뛰어나다.
• 16×16 클러스터에서 문헌에 보고된 최고의 변분 에너지와 비교해도 이론상 동등하거나 이를 초월하며, 높은 정확도와 확장성을 입증한다.
• 삼각 격자에서 계산된 스핀 및 두륨 상관함수는 전통적 또는 발렌스 결합 순서의 흔적을 보이지 않으며, 무질서 상에서 장거리 질서가 존재하지 않음을 지지한다.
• LayerSR 최적화 기법은 한 번에 하나의 계층의 자코비안만 저장함으로써 메모리 사용량을 줄였으며, GPU당 더 많은 몬테카를로 샘플을 확보하고 에너지 수렴성을 향상시켰다.
• $H$와 $H^2$에 대한 평균 제거된 국소 추정자를 사용한 랑츠 단계는 에너지 분산 및 왜도 추정의 통계 정확도를 향상시켰다.
• 이 방법은 다양한 대칭 부문에서 낮은 에너지의 고excited 상태에 성공적으로 접근하여 상 전이 및 타워 오브 스테이츠 구조의 정밀한 식별이 가능했다.