[논문 리뷰] Provably efficient machine learning for quantum many-body problems

Hsin-Yuan Huang, Richard Kueng외 3명|arXiv (Cornell University)|2021. 06. 23.

Quantum many-body systems참고 문헌 173인용 수 19

한 줄 요약

이 논문은 유한 차원의 갭이 있는 양자 다체계의 기본 상태 성질을 고전적 기계학습(ML)으로 효율적으로 예측할 수 있음을 증명한다. 이는 소수의 양자 측정을 통해 확보된 고전적 그림자(classical shadows)를 학습하여 달성된다. 핵심 기여는 표준 복잡도 가정 하에, ML 기반 예측이 비학습 고전적 알고리즘을 능가함을 보여주는 엄밀한 이론적 보장을 제공하는 것이다. 이는 라이드버그 원자 및 토폴로지적 위상과 같은 다양한 양자 시스템에서 검증되었다.

ABSTRACT

Classical machine learning (ML) provides a potentially powerful approach to solving challenging quantum many-body problems in physics and chemistry. However, the advantages of ML over more traditional methods have not been firmly established. In this work, we prove that classical ML algorithms can efficiently predict ground state properties of gapped Hamiltonians in finite spatial dimensions, after learning from data obtained by measuring other Hamiltonians in the same quantum phase of matter. In contrast, under widely accepted complexity theory assumptions, classical algorithms that do not learn from data cannot achieve the same guarantee. We also prove that classical ML algorithms can efficiently classify a wide range of quantum phases of matter. Our arguments are based on the concept of a classical shadow, a succinct classical description of a many-body quantum state that can be constructed in feasible quantum experiments and be used to predict many properties of the state. Extensive numerical experiments corroborate our theoretical results in a variety of scenarios, including Rydberg atom systems, 2D random Heisenberg models, symmetry-protected topological phases, and topologically ordered phases.

연구 동기 및 목표

• 고전적 기계학습이 양자 다체 문제를 해결하는 데 있어 엄밀한 이론적 보장을 수립하는 것, 특히 기본 상태 성질 예측에 중점을 둔다.
• 고전적 그림자 데이터를 활용한 ML 알고리즘이 복잡도 이론적 가정 하에 비학습 고전적 방법을 능가하는 방식으로 갭이 있는 해밀토니안의 성질을 효율적으로 예측할 수 있음을 보여주는 것.
• 고전적 그림자 데이터로 훈련된 고전적 기계학습을 활용해 양자 물질 위상의 분류 프레임워크를 개발하는 것.
• 다양한 양자 시스템에서의 광범위한 수치 실험을 통해 이론적 주장의 타당성을 검증하는 것, 특히 2D 헤이젠베르크 모델과 대칭 보호 토폴로지 위상 포함.
• 양자 정보 이론과 복잡도 이론에 기반하여 예측을 정당화함으로써, 양자 물리학에서의 히우리스틱 기계학습 응용과 증명 가능한 효율 알고리즘 사이의 격차를 메우는 것.

제안 방법

• 소수의 측정로부터 확보된 고전적 그림자—양자 상태의 압축된 고전적 표현—를 활용하여, 엄밀한 오차 한계를 보장하는 다수의 관측량 예측을 효율적으로 수행한다.
• 매개변수 x로 매개화된 해밀토니안 가족의 기본 상태에 대한 고전적 그림자 데이터로 훈련된 기계학습 모델을 사용하며, 이는 훈련 세트에 포함되지 않은 새로운 x 값에 대해서도 일반화 능력을 갖춘다.
• 해밀토니안 매개변수에 대한 성질의 부드러운 변화를 가정하여, 기본 상태 성질에 대한 기울기 한계를 적용함으로써 일반화 및 효율성을 보장한다.
• 국소 해밀토니안의 유한 범위 및 유계된 노름 특성을 활용하여, 비틀림 상태 에너지 차이에 대한 오차 한계를 유도함으로써 대칭 연산에 대한 안정성을 확보한다.
• 스펙트럼 갭과 오버랩 분석(레마 12 및 레마 13를 통한)을 활용하여, 비틀림 기본 상태가 원래 상태에서 얼마나 벗어나는지의 한계를 설정함으로써 엄밀한 수렴 보장을 확보한다.
• 국소 해밀토니안 항의 행렬 단위 기저 전개와 비틀림 연산에 대한 위상 콜레지션을 활용하여, 연산자 노름 한계를 도출하고, 이는 에너지 차이 추정치가 O(1/ℓ) 비례함을 의미한다.

실험 결과

연구 질문

• RQ1 고전적 기계학습 알고리즘이 전체 양자 위상에 걸쳐 갭이 있는 양자 다체계의 기본 상태 성질을 효율적으로 예측할 수 있는가?
• RQ2 ML 기반 예측이 계산 효율성과 정확도 측면에서 비학습 고전적 알고리즘을 능가할 수 있는 조건은 무엇인가?
• RQ3 고전적 그림자 데이터로 훈련된 고전적 기계학습은 증명 가능한 보장을 바탕으로 양자 물질 위상을 분류할 수 있는가?
• RQ4 갭이 있는 해밀토니안의 기하학적 및 스펙트럼적 성질이 기계학습 모델의 일반화 및 표본 복잡도에 어떤 영향을 미치는가?
• RQ5 고전적 그림자는 전면 상태 톰로그라피 없이도 효율적이고 엄밀하며 확장 가능한 양자 성질 예측을 가능하게 하는가?

주요 결과

• 성질이 시스템 매개변수에 대해 부드럽게 변화할 경우, 고전적 기계학습 알고리즘이 유한 차원에서 갭이 있는 해밀토니안의 기본 상태 성질을 다항 시간 복잡도로 증명 가능하게 예측할 수 있다.
• 이론적 프레임워크는 이러한 ML 성능가 비학습 고전적 알고리즘에 의해 달성될 수 없음을 보여주며, 이는 갭이 있는 시스템을 시뮬레이션하는 데 있어서 학습이 필수적이라는 널리 수용된 복잡도 가정 하에 성립한다.
• 수치 실험 결과는 다양한 시스템에서 이론적 예측을 확인하였으며, 라이드버그 원자 체인, 2D 랜덤 헤이젠베르크 모델, 위상적으로 순서가 붙은 위상 등에서 강력한 일반화 능력을 보였다.
• 기본 상태와 그 비틀림 상태 간의 에너지 차이는 O(1/ℓ) 비례하며, ℓ가 증가함에 따라 두 상태 간의 오버랩이 1에 수렴하여 안정성이 보장된다.
• 각 훈련 샘플에 대해 소수의 양자 측정만으로 국소 관측량 및 전역 성질(예: 얽힘 엔트로피)의 고정밀도 예측을 달성한다.
• 고전적 그림자 데이터로 훈련된 기계학습을 통한 양자 위상 분류는 대칭 보호 토폴로지 위상 및 위상적으로 순서가 붙은 위상과 같은 복잡한 위상에서도 높은 정확도를 달성하며, 엄밀한 성능 보장을 제공한다.