[논문 리뷰] Transformer Wave Function for two dimensional frustrated magnets: emergence of a Spin-Liquid Phase in the Shastry-Sutherland Model

Luciano Loris Viteritti, Riccardo Rende외 3명|arXiv (Cornell University)|2023. 11. 28.

Nonlinear Dynamics and Pattern Formation인용 수 8

한 줄 요약

본 논문은 Shastry-Sutherland 모형에 대해 Vision Transformer 기반의 변분 파동 함수를 제시하여 높은 정확도의 바닥 상태 에너지를 제공하고, 플래킷과 Néel 순서 사이에 스핀-액체(spin-liquid) 상이 존재한다는 증거를 제시한다.

ABSTRACT

Understanding quantum magnetism in two-dimensional systems represents a lively branch in modern condensed-matter physics. In the presence of competing super-exchange couplings, magnetic order is frustrated and can be suppressed down to zero temperature. Still, capturing the correct nature of the exact ground state is a highly complicated task, since energy gaps in the spectrum may be very small and states with different physical properties may have competing energies. Here, we introduce a variational Ansatz for two-dimensional frustrated magnets by leveraging the power of representation learning. The key idea is to use a particular deep neural network with real-valued parameters, a so-called Transformer, to map physical spin configurations into a high-dimensional feature space. Within this abstract space, the determination of the ground-state properties is simplified and requires only a shallow output layer with complex-valued parameters. We illustrate the efficacy of this variational Ansatz by studying the ground-state phase diagram of the Shastry-Sutherland model, which captures the low-temperature behavior of SrCu$_2$(BO$_3$)$_2$ with its intriguing properties. With highly accurate numerical simulations, we provide strong evidence for the stabilization of a spin-liquid between the plaquette and antiferromagnetic phases. In addition, a direct calculation of the triplet excitation at the $Γ$ point provides compelling evidence for a gapless spin liquid. Our findings underscore the potential of Neural-Network Quantum States as a valuable tool for probing uncharted phases of matter, and open up new possibilities for establishing the properties of many-body systems.

연구 동기 및 목표

• 강하게 좌절된 2차원 양자 스핀 자계를 연구하고 스핀-액체 상태를 탐색하는 동기를 제시한다.
• Transformer 기반 아키텍처를 사용하여 고정밀 바닥상태 특성을 달성하는 신경망 양자상태를 개발한다.
• 정확한 대각화 및 다른 수치해법과의 비교를 통해 방법을 벤치마크한다.
• Shastry-Sutherland 모형의 바닥상태 위상을 지도하고 잠재적 스핀-액체 영역을 식별한다.

제안 방법

• 실수값 딥 트랜스포머가 스핀 구성을 숨겨진 특징 벡터 z로 매핑하는 신경망 양자상태를 정의한다.
• z에서 Log[Ψ(σ)]를 출력하기 위해 얕은 복소값 네트워크를 사용하여 진폭과 위상 모두를 표현 가능하게 한다.
• 입력 스핀 구성을 패치로 내장하고 Vision Transformer 블록으로 처리한 후 패치 출력들을 합산하여 z를 얻는다.
• 최적화를 단순화하고 현대 딥러닝 이론을 활용하기 위해 실수값 Transformer 파라미터를 채택한다.
• Stochastic Reconfiguration을 통해 분산 에너지를 최소화하도록 변분 파라미터를 학습한다.
• 에너지, 스핀 상관관계 및 차수 파라미터를 정확한 대각화 및 DMRG 벤치마크와 비교한다.

실험 결과

연구 질문

• RQ1 변환기 기반 신경망 양자상태가 매우 좌절된 2차원 스핀 모형에 대해 고정밀 바닥상태 에너지를 달성할 수 있는가?
• RQ2 ViT 기반 Ansatz가 Shastry-Sutherland 모형에서 플래킷과 Néel 위상 사이의 스핀-액체 영역을 드러내는가?
• RQ3 상태도 전체에서 스핀-스핀 및 플래킷-플래킷 상관관계가 어떻게 변하며, 이것이 스핀-액체를 나타낼 수 있는가?

주요 결과

2층	4층	8층	Extrap
-0.451664	-0.451699	-0.451707	-0.451750
-0.448545	-0.448839	-0.448925	-0.449207

• ViT 기반 변분 상태는 6×6에서 14×14 격자에서 매우 높은 정확도의 에너지를 산출하며, 가능한 경우 정확한 결과에 근접한다.
• 차원 J/J′ ≈ 0.77–0.82 부근에서 플래킷과 Néel 위상 사이에 스핀-액체 영역이 있음을 시사하는 증거가 있으며, 이는 순서 매개변수의 소거 및 상관비를 통해 추론된다.
• 스핀-스핀 상관관계와 플래킷 상관관계는 낮은 J/J′에서 플래킷 순서와 일치하고, 높은 J/J′에서 Néel 순서를 보이며, 중간 구간은 순서가 감소하는 양상을 보인다.
• m2(L)와 mp(L)를 이용한 열역학적 외삽은 플래킷과 Néel 위상 사이에 스핀-액체 영역을 나타내며, 플래킷 상관비의 교차점으로 지지된다.
• ViT가 진폭 유사성으로 구성들을 클러스터링하여 학습한 숨겨진 표현 z가 최종 진폭 예측을 간소화한다.
• 주의도 지도는 초층에서 전역 패치 간 상호작용을 보여주고, 격자 대칭을 반영하는 이동 불변적인 주의 가중치를 가진다.