[논문 리뷰] Autoregressive Transformer Neural Network for Simulating Open Quantum Systems via a Probabilistic Formulation

Di Luo, Zhuo Chen외 2명|arXiv (Cornell University)|2020. 09. 11.

Quantum many-body systems참고 문헌 80인용 수 9

한 줄 요약

이 논문은 양자 시스템의 열린 동역학을 시뮬레이션하기 위해 정규화된 변환기 신경망과 양의 자기선형 측정값을 이용한 확률적 공식화를 결합한다. 정확한 샘플링과 다루기 쉬운 밀도 추정을 가능하게 함으로써, 1차원 및 2차원 양자 모델에서 실시간 동역학과 안정 상태를 정확히 추적할 수 있으며, 특히 도전적인 매개변수 영역에서 기존의 RBM 기반 접근법보다 뛰어나며 고차원 확률 미분 방정식의 효율적 해결을 가능하게 한다.

ABSTRACT

The theory of open quantum systems lays the foundations for a substantial part of modern research in quantum science and engineering. Rooted in the dimensionality of their extended Hilbert spaces, the high computational complexity of simulating open quantum systems calls for the development of strategies to approximate their dynamics. In this paper, we present an approach for tackling open quantum system dynamics. Using an exact probabilistic formulation of quantum physics based on positive operator-valued measure (POVM), we compactly represent quantum states with autoregressive transformer neural networks; such networks bring significant algorithmic flexibility due to efficient exact sampling and tractable density. We further introduce the concept of String States to partially restore the symmetry of the autoregressive transformer neural network and improve the description of local correlations. Efficient algorithms have been developed to simulate the dynamics of the Liouvillian superoperator using a forward-backward trapezoid method and find the steady state via a variational formulation. Our approach is benchmarked on prototypical one and two-dimensional systems, finding results which closely track the exact solution and achieve higher accuracy than alternative approaches based on using Markov chain Monte Carlo to sample restricted Boltzmann machines. Our work provides general methods for understanding quantum dynamics in various contexts, as well as techniques for solving high-dimensional probabilistic differential equations in classical setups.

연구 동기 및 목표

• 양자 시스템의 해밀토니안 차원이 기하급수적으로 증가함에 따라 발생하는 높은 계산 복잡도 문제를 해결하기 위해.
• 특히 2차원에서 실시간 동역학과 안정 상태를 정확히 포착할 수 있는 기계학습 기반 접근법을 개발하기 위해.
• 복소수 양자 상태에 대해 부적합한 기존 생성 모델(예: RBM)의 한계를 극복하기 위해.
• 정확한 샘플링과 고차원 양자 동역학을 위한 효율적 최적화를 가능하게 하는 프레임워크를 도입하기 위해.
• 이를 바탕으로 폐쇄된 양자 시스템, 유한온도 동역학, 페르미온 운반 문제 등 더 넓은 응용 분야로 일반화하기 위해.

제안 방법

• 양자 상태는 확률적 공식화를 기반으로 한 POVM를 활용한 자동회귀 변환기 신경망으로 표현되며, 이는 확률적 진폭을 매개변수화한다.
• 리우빌리안 초연산자의 동역학을 효율적으로 시뮬레이션하기 위해 전진-후진 트라프레즈로이드 적분 기법을 사용한다.
• 고정점 수렴과 정확도 향상을 위해 변분 공식을 사용하여 안정 상태를 찾는다.
• 자기선형 아키텍처의 부분 대칭성을 복원하기 위해 스트링 상태를 도입하여 局부 상관관계 기술을 향상시킨다.
• 정확한 샘플링과 다루기 쉬운 밀도 평가가 가능하여, RBM에서 사용되는 마르코프 체인 몬테카를로 방법에 내재된 통계적 노이즈를 피한다.
• 린드블라드 방정식에서 유도된 미분 가능한 손실 함수를 사용하여 신경망 파라미터의 엔드 투 엔드 최적화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 자기선형 변환기 신경망은 고차원 해밀토니안 공간을 가진 열린 양자 시스템의 실시간 동역학을 정확히 시뮬레이션할 수 있는가?
• RQ2 특히 도전적인 매개변수 영역에서, 제안된 방법은 RBM 기반 접근법에 비해 정확도와 샘플링 효율성 측면에서 어떻게 비교되는가?
• RQ3 스트링 상태는 자동회귀 양자 상태 모델에서 局부 상관관계와 대칭성을 얼마나 향상시킬 수 있는가?
• RQ4 시간 진동과 고정점 최적화의 조합은 단독으로 사용할 경우보다 더 높은 안정 상태 정확도를 달성할 수 있는가?
• RQ5 이 확률적 신경망 프레임워크는 양자역학을 초월한 고차원 확률 미분 방정식 문제의 일반화된 해결에 활용될 수 있는가?

주요 결과

• 1차원 및 2차원 횡방향 자기장 이징 및 허이젠베르그 모델의 시뮬레이션에서 높은 정확도를 달성하여 정확한 해와 밀접하게 일치한다.
• 이전에 RBM 방법으로 어려웠던 영역 1 < g/γ < 2.5 에서 제안된 방법이 뚜렷이 향상된 정확도를 보였다.
• 8개의 대칭 스트링 상태 사용으로 깊이 2, 히든 차원 64인 더 깊고 넓은 변환기 모델과 유사한 성능을 달성하여 대칭성 복원의 효과를 입증하였다.
• 시간 진동 후 고정점 최적화를 수행하는 것이 고정점 최적화만 수행하는 것보다 더 정확한 안정 상태를 도출하며, 전체 계산 비용도 감소시켰다.
• 정확한 샘플링과 다루기 쉬운 밀도 평가가 가능하여, MCMC 기반 RBM 접근법의 통계적 노이즈 한계를 극복하였다.
• 이 프레임워크는 폐쇄된 양자 시스템, 유한온도 동역학, 환경 결합이 있는 페르미온 운반 문제 등으로 일반화 가능하다.