[论文解读] Gauge Equivariant Neural Networks for 2+1D U(1) Gauge Theory Simulations in Hamiltonian Formulation

Di Luo, Shunyue Yuan+2 more|arXiv (Cornell University)|Nov 6, 2022

Model Reduction and Neural Networks被引用 5

一句话总结

该论文提出了一种规范协变神经网络（GNN），用于在哈密顿量形式下对2+1D U(1)规范场理论进行变分量子模拟。通过在网络架构中强制实现规范协变性，该方法高效地近似了基态波函数，在强耦合区域的表现优于复高斯波函数，而在弱耦合区域表现相当，且通过协变块设计精确保持了规范不变性。

ABSTRACT

Gauge Theory plays a crucial role in many areas in science, including high energy physics, condensed matter physics and quantum information science. In quantum simulations of lattice gauge theory, an important step is to construct a wave function that obeys gauge symmetry. In this paper, we have developed gauge equivariant neural network wave function techniques for simulating continuous-variable quantum lattice gauge theories in the Hamiltonian formulation. We have applied the gauge equivariant neural network approach to find the ground state of 2+1-dimensional lattice gauge theory with U(1) gauge group using variational Monte Carlo. We have benchmarked our approach against the state-of-the-art complex Gaussian wave functions, demonstrating improved performance in the strong coupling regime and comparable results in the weak coupling regime.

研究动机与目标

• 开发一种尊重规范对称性的基于神经网络的变分波函数，用于量子格点规范场理论。
• 将神经网络量子态扩展至具有U(1)对称性的连续变量规范场理论，采用哈密顿量形式。
• 在传统方法难以处理的强耦合区域，改进基态能量的估计精度。
• 通过架构设计精确保持规范不变性，确保量子模拟中的物理一致性。
• 在弱耦合和强耦合区域，将该方法与最先进的复高斯波函数进行基准对比。

提出的方法

• 该方法采用隐藏向量空间之间的规范协变非线性映射序列，确保网络输出在局域规范变换下正确变换。
• 神经网络中的每一层均设计为在规范群作用下协变，最终输出对物理可观测量为规范不变。
• 波函数被参数化为具有协变激活函数的全连接层的复合形式，输入被嵌入复向量空间，表示格点边上U(1)规范场。
• 通过变分蒙特卡洛结合随机重配置进行训练，利用局域能量估计器和梯度更新最小化能量。
• 通过适配阿贝尔U(1)群的群协变卷积层构建规范协变块，保持在顶点基规范变换下的变换性质。
• 该方法应用于2D正方形格点上的科古-苏斯金德模型，波函数归一化和期望值通过马尔可夫链蒙特卡洛采样计算。

实验结果

研究问题

• RQ1 规范协变神经网络是否能为2+1D U(1)格点规范场理论的基态提供比现有复高斯波函数更精确的变分试探波函数？
• RQ2 在强耦合和弱耦合区域，规范协变网络与复高斯波函数的性能相比如何？
• RQ3 在神经网络架构中强制实现规范协变性是否能带来更好的收敛性和物理一致性？
• RQ4 该方法能否准确捕捉2+1D U(1)理论中威尔逊圈的指数衰减行为，即禁闭的特征？
• RQ5 系统尺寸和耦合强度对规范协变神经网络方法的优化与精度有何影响？

主要发现

• 在强耦合区域（g ≥ 1），规范协变神经网络（Equ-NN 和 Equ3-NN）的基态能量始终低于复高斯波函数，且随着g趋近于1，性能进一步提升。
• 在弱耦合区域（g² = 0.3 至 0.9），该方法的基态能量与复高斯波函数相当，当g² ≥ 0.6时观察到性能提升。
• 使用规范协变网络计算的威尔逊圈可观测量表现出与面积成指数衰减，与2+1D U(1)规范场理论中预期的禁闭行为一致。
• 该方法保持了波函数的精确规范不变性，确保了物理一致性，避免了变分试探波函数中的对称性破缺伪影。
• 随机重配置优化方法成功收敛，能量梯度通过局域能量估计器计算，并从波函数平方中采样。
• 网络在g→0极限下处理类似狄拉克函数的基态能力有限，解释了该区域与高斯波函数相比存在微小性能差异的原因。