[논문 리뷰] Visualizing Correlations in the 2D Fermi-Hubbard Model with AI

Ehsan Khatami, Elmer Guardado-Sanchez외 4명|arXiv (Cornell University)|2020. 02. 27.

Expert finding and Q&A systems인용 수 9

한 줄 요약

이 논문은 초냉각 원자 샷진을 기반으로 훈련된 컨volutional 신경망을 사용하여 2차원 페르미-허브하르드 모델에서 미세한 전자 상관관계를 시각화하고 식별하는 인공지능 기반 접근법을 제시한다. 단일 종류의 원자 이미지에서 패턴을 학습함으로써 모델은 장거리 및 단거리 스핀 상관관계를 밝혀내고 이상한 금속 상태에 대한 복잡한 순서 매개변수를 식별하며, 순서 매개변수에 대한 사전 가정 없이 비페르미 액체 거동을 탐지할 수 있는 편향 없는 방법을 제공한다.

ABSTRACT

Strongly correlated phases of matter are often described in terms of straightforward electronic patterns. This has so far been the basis for studying the Fermi-Hubbard model realized with ultracold atoms. Here, we show that artificial intelligence (AI) can provide an unbiased alternative to this paradigm for phases with subtle, or even unknown, patterns. Long and short range spin correlations spontaneously emerge in filters of a convolutional neural network trained on snapshots of single atomic species. In the less well-understood strange metallic phase of the model, we find that a more complex network trained on snapshots of local moments produces an effective order parameter for the non-Fermi liquid behavior. Our technique can be employed to characterize correlations unique to other phases with no obvious order parameters or signatures in projective measurements, and has implications for science discovery through AI beyond strongly correlated systems.

연구 동기 및 목표

• 기존의 순서 매개변수 없거나 알려지지 않은 강한 상관관계를 가진 양자 다체계에서 전자 상관관계를 식별하기 위한 편향 없는 방법을 개발하는 것.
• 인공지능이 페르미-허브하르드 모델의 초냉각 원자 실험에서 미세하거나 이전에 알려지지 않은 패턴을 탐지할 수 있는지 탐색하는 것.
• 비페르미 액체 거동으로 알려진 이상한 금속 상태를 인공지능을 통해 효과적인 순서 매개변수로 특성화하는 것.
• 인공지능이 전통적인 측정 기반 서명을 초월하여 양자 다체 물리학에서 발견 도구로 기능할 수 있는지 보여주는 것.

제안 방법

• 초냉각 원자 시스템에서 단일 원자 종류의 샷진을 기반으로 컨volutional 신경망(CNN)을 훈련하여 잠재적 상관관계 패턴을 학습하는 것.
• 훈련된 CNN 필터의 특징 맵을 사용하여 시스템 내에서 나타나는 장거리 및 단거리 스핀 상관관계를 시각화하는 것.
• 지역 모멘트를 기반으로 더 깊은 신경망을 훈련하여 이상한 금속 상태에 대한 더 복잡한 순서 매개변수를 추출하는 것.
• 사전 정의된 순서 매개변수나 투영 측정에 의존하지 않고 비페르미 액체 거동을 탐지하기 위해 AI 모델을 적용하는 것.
• 대칭성 깨짐의 명백한 서열이 없는 양자 상을 탐지하기 위해 네트워크 내부 표현을 데이터 기반 탐사 도구로 사용하는 것.

실험 결과

연구 질문

• RQ1 AI는 기존의 순서 매개변수로는 식별할 수 없는 2차원 페르미-허브하르드 모델 내 숨겨진 전자 상관관계 패턴을 탐지할 수 있는가?
• RQ2 컨volutional 신경망은 단일 종류의 원자 샷진에서 어떻게 장거리 및 단거리 스핀 상관관계를 드러내는가?
• RQ3 더 복잡한 신경망 아키텍처는 비페르미 액체 기술이 명확하지 않은 이상한 금속 상태에 대해 의미 있는 순서 매개변수를 추출할 수 있는가?
• RQ4 AI는 대칭성 깨짐의 명백한 실험적 서명이 없는 양자 상에 대해 얼마나 편향 없는 발견 도구로 기능할 수 있는가?

주요 결과

• CNN 필터는 표준 분석으로는 명백하지 않은 2차원 페르미-허브하르드 모델 내 장거리 및 단거리 스핀 상관관계를 성공적으로 시각화한다.
• 모델은 지역 모멘트에서 학습함으로써 이상한 금속 상태에 대한 비자명한 순서 매개변수를 식별하여 비페르미 액체 거동을 특성화할 수 있는 새로운 방법을 제안한다.
• AI 접근법은 대칭성 또는 순서에 대한 사전 가정 없이 데이터에서 패턴을 드러내어 알려진 순서 매개변수가 없는 상에서의 발견을 가능하게 한다.
• 이 기술은 깊이 학습이 순수한 실험적 샷진만을 사용하여도 양자 다체계에서 물리적으로 의미 있는 신호를 추출할 수 있음을 보여준다.