[논문 리뷰] Learning quantum phases via single-qubit disentanglement

Zheng An, Chenfeng Cao외 2명|arXiv (Cornell University)|2021. 07. 08.

Neural Networks and Reservoir Computing참고 문헌 70인용 수 4

한 줄 요약

이 논문은 전치자기장 이징모형(TFIM)과 XXZ 모형에서 양자 상을 식별하기 위해 강화학습(RL) 기반의 방법을 제안한다. 단일 큐비트의 분리 회로를 학습시켜 전이 상태에서의 상이한 양자 얽힘 구조를 드러내며, RL 에이전트는 큐비트를 분리하기 위한 최적의 국소 유니터리 작용을 학습한다. 이는 시스템 크기의 변화에 대해 높은 내구성과 확장 가능성을 보이며, TFIM에서 크라머-반너 dualit의 존재를 밝혀낸다.

ABSTRACT

Identifying phases of matter presents considerable challenges, particularly within the domain of quantum theory, where the complexity of ground states appears to increase exponentially with system size. Quantum many-body systems exhibit an array of complex entanglement structures spanning distinct phases. Although extensive research has explored the relationship between quantum phase transitions and quantum entanglement, establishing a direct, pragmatic connection between them remains a critical challenge. In this work, we present a novel and efficient quantum phase transition classifier, utilizing disentanglement with reinforcement learning-optimized variational quantum circuits. We demonstrate the effectiveness of this method on quantum phase transitions in the transverse field Ising model (TFIM) and the XXZ model. Moreover, we observe the algorithm's ability to learn the Kramers-Wannier duality pertaining to entanglement structures in the TFIM. Our approach not only identifies phase transitions based on the performance of the disentangling circuits but also exhibits impressive scalability, facilitating its application in larger and more complex quantum systems. This study sheds light on the characterization of quantum phases through the entanglement structures inherent in quantum many-body systems.

연구 동기 및 목표

• 양자 상을 식별하기 위한 확장 가능하고 국소적인 방법을 개발한다. 이는 양자 얽힘 구조 탐지에 기반한다.
• 양자 시스템에서 다체계 기저 상태 기술의 지수적 복잡도 문제를 해결한다.
• 강화학습을 활용하여 전역 최적화 없이도 핵심 얽힘 특징을 추출하는 변량 양자 회로를 설계한다.
• 이 방법의 내구성과 다양한 시스템 크기 및 모델 매개변수 간 이식 가능성(transferability)을 입증한다.
• RL 에이전트가 양자 얽힘 패턴에서 기본 대칭성, 예를 들어 크라머-반너 이중성과 같은 성질을 학습하는지 탐색한다.

제안 방법

• 강화학습 에이전트는 목표 큐비트에 대해 단일 큐비트 분리 회로를 설계하도록 훈련된다.
• RL 에이전트는 목표 큐비트와 나머지 시스템 간의 얽힘 엔트로피를 최소화하도록 국소 유니터리 작용을 최적화한다.
• 분리 회로는 TFIM 및 XXZ 모형의 다양한 매개변수에서 얻은 기저 상태에 대해 훈련된다.
• 훈련된 회로의 성능은 단계 전이 지점에서 잔류 얽힘 엔트로피를 측정하여 평가된다.
• 이 방법은 국소적 작용과 단일 큐비트 측정만을 사용하므로 더 큰 시스템으로의 확장 가능성이 있다.
• 작은 시스템(N=8)에서 훈련된 회로는 더 큰 시스템(N=10,12,14)에 적용되어 이식 가능성과 내구성을 테스트한다.

실험 결과

연구 질문

• RQ1 강화학습 에이전트는 양자 얽힘 구조에 기반해 양자 상을 효과적으로 구분할 수 있는 분리 회로를 설계할 수 있는가?
• RQ2 RL로 설계된 분리 회로는 훈련 매개변수와 시스템 크기의 변화에 대해 내구성이 있는가?
• RQ3 TFIM의 얽힘 패턴에서 RL 에이전트는 크라머-반너 이중성과 같은 기본 대칭성을 학습할 수 있는가?
• RQ4 작은 시스템에서 훈련된 분리 회로는 재학습 없이 더 큰 시스템으로 이식 가능한가?
• RQ5 분리된 상태의 얽힘 엔트로피는 기저 양자 상 전이를 어떻게 반영하는가?

주요 결과

• RL로 설계된 분리 회로는 전치자기장 이징모형과 XXZ 모형 양쪽에서 높은 정확도로 단계 전이를 식별한다.
• 이 방법은 내구성이 뛰어나며, 다양한 훈련 매개변수와 시스템 크기에서 성능이 일관되게 유지된다.
• N=8에서 훈련된 분리 회로는 N=10, 12, 14 큐비트로 효과적으로 일반화되어 확장 가능성을 보인다.
• TFIM의 경우 λ > 1일 때 이중체 최적 분리 구조를 학습하며, λ < 1일 때는 크라머-반너 이중성을 드러낸다.
• 분리된 상태의 얽힘 엔트로피는 단계 전이 지점에서 명확한 피크를 보이며 신뢰할 수 있는 지표로 기능한다.
• 결과는 양자 상의 본질적인 얽힘 구조가 시스템 크기와 무관하며, 유한 체적 효과가 아니라는 것을 시사한다.