[논문 리뷰] Self-Learning Monte Carlo Method: Continuous-Time Algorithm

Yuki Nagai, Huitao Shen외 3명|DSpace@MIT (Massachusetts Institute of Technology)|2017. 05. 18.

Model Reduction and Neural Networks인용 수 8

한 줄 요약

이 논문은 페르미온 시스템의 양자 몽테카를로 시뮬레이션을 가속화하기 위해, 전역적이고 상관성이 없는 구성 설정을 제안하기 위해 다이어그램 생성 함수(DGF)를 학습하는 자기학습 연속시간 몽테카를로(CT-AUX) 방법을 소개한다. DGF는 학습된 보조 필드 분포에서 유도되며, 높은 수용률을 가진 전역적 업데이트를 가능하게 하여, 특히 저온 또는 강한 상호작용 영역에서 표준 CT-AUX가 오랜 자동상관 시간을 가지는 문제를 완화한다.

ABSTRACT

The recently-introduced self-learning Monte Carlo method is a general-purpose numerical method that speeds up Monte Carlo simulations by training an effective model to propose uncorrelated configurations in the Markov chain. We implement this method in the framework of continuous time Monte Carlo method with auxiliary field in quantum impurity models. We introduce and train a diagram generating function (DGF) to model the probability distribution of auxiliary field configurations in continuous imaginary time, at all orders of diagrammatic expansion. By using DGF to propose global moves in configuration space, we show that the self-learning continuous-time Monte Carlo method can significantly reduce the computational complexity of the simulation.

연구 동기 및 목표

• 저온 또는 강한 상호작용 영역에서 오랜 자동상관 시간으로 인해 발생하는 표준 연속시간 보조장 양자 몽테카를로(CT-AUX) 시뮬레이션의 높은 계산 비용을 해결한다.
• 표준 CT-AUX에서 국소적 업데이트 시 비용이 많이 드는 페르미온 행렬식 계산을 대체하여 빠른 효과적 모델 평가로 전환함으로써 이 문제를 해결한다.
• 기본 장 구성 분포를 학습하여 효율적인 전역적 업데이트를 이끄는 일반적인 목적의 통계적으로 정확한 방법을 개발한다.
• 자기학습 접근법이 세부 균형 조건을 통해 정확성을 유지하면서도 시뮬레이션 시간을 크게 단축시킴을 입증한다.
• 특히 표준 방법이 느려지는 임계점 근처에서 다이나믹스 평균장 이론(DMFT)의 효율적인 임플리시티 솔버 응용을 가능하게 한다.

제안 방법

• 연속된 허구 시간에서 보조 장 구성 설정의 복잡도를 근사하기 위해 효과적 모델 $ H_{\text{eff}}[\phi(x)] $ 로서 다이어그램 생성 함수(DGF)를 훈련한다.
• 시험 시뮬레이션을 통해 구성 설정과 그 가중치를 수집하고, DGF의 매개변수를 실제 장 구성 설정의 확률 분포와 일치하도록 최적화하는 학습 단계를 수행한다.
• 실제 시뮬레이션에서는 DGF를 사용하여 구성 공간에서 전역적 이동을 제안하며, 원래 해밀토니안의 세부 균형 조건에 따라 수용 여부를 결정한다.
• 비용이 많이 드는 페르미온 행렬식 평가를 피하기 위해, 장 구성 설정의 명시적 기능으로 DGF 가중치를 효율적으로 계산한다.
• 단일 임플리시티 앤더슨 모델에 DGF를 CT-AUX 프레임워크에 통합하고, 정점 삽입/제거를 위한 빠른 업데이트 알고리즘을 사용한다.
• 자기학습 CT-AUX와 표준 CT-AUX를 비교하여 자동상관 시간과 스피드업 비율을 측정함으로써 성능을 평가하며, 다양한 $ U $, $ \beta $, 및 $ \langle n \rangle $ 조건에서 분석한다.

실험 결과

연구 질문

• RQ1 학습된 효과적 모델(DGF)이 연속시간 다이어그램 전개에서 보조 장 구성 설정의 전체 분포를 정확하게 표현할 수 있는가?
• RQ2 DGF를 사용해 전역적 이동을 제안할 경우, 표준 국소적 업데이트 방식에 비해 CT-AUX 시뮬레이션의 자동상관 시간이 감소하는가?
• RQ3 자기학습 CT-AUX 방법의 계산 복잡도 스케일링은 어떻게 되며, 강한 상호작용 또는 저온 영역에서 표준 CT-AUX와 비교해 볼 때 어떤가?
• RQ4 자기학습 방법의 스피드업 비율은 상호작용 강도 $ U $, 역온도 $ \beta $, 평균 전개 차수 $ \langle n \rangle $ 와 같은 시스템 매개변수에 따라 어떻게 달라지는가?
• RQ5 정확한 장 분포를 전개의 모든 차수에서 포괄할 수 있는 간단하고 해석적으로 다룰 수 있는 형태의 DGF를 구성할 수 있는가?

주요 결과

• 단일 임플리시티 앤더슨 모델의 DGF는 놀랍도록 단순한 형태를 띠며, 모든 차수의 다이어그램 전개에서 정확한 보조 장 분포를 높은 정확도로 재현한다.
• 자기학습 CT-AUX 방법은 특히 저온 및 강한 상호작용 영역에서 표준 CT-AUX가 임계 둔화 현상으로 어려움을 겪는 문제를 크게 완화한다.
• 스피드업 비율 $ t_s \sim \frac{\langle n \rangle}{m_c \tau_{\text{SL}}} $ 은 평균 전개 차수 $ \langle n \rangle $ 에 따라 증가하며, $ \langle n \rangle \sim \beta U $ 이므로 고 $ \beta $ 또는 고 $ U $ 조건에서 점점 유리해진다.
• 자기학습 방법의 계산 비용은 $ \mathcal{O}\left(\langle n\rangle^3 + m_c \langle n\rangle \tau_{\text{ori}}\right) \tau_{\text{SL}} $ 으로 스케일링되며, 두 번째 항이 장기간 $ \tau_{\text{ori}} $ 로 인해 지배적이지만, DGF는 필요한 업데이트의 유효 수를 감소시킨다.
• DGF 기반 전역적 업데이트에서는 $ \tau_{\text{SL}} \sim \mathcal{O}(1) $ 이 달성되어 거의 상관성이 없는 샘플링이 가능하며, 세부 균형 조건을 통해 통계적 정확성이 유지된다.
• 실제로는 상당한 스피드업이 이루어지며, 시스템의 복잡도가 증가할수록 가속 비율이 증가하므로, DMFT의 임플리시티 솔버 및 임계점 연구에 매우 적합하다.