[论文解读] One-step replica symmetry breaking in the language of tensor networks

Nicola Pancotti, Johnnie Gray|arXiv (Cornell University)|Jun 26, 2023

Tensor decomposition and applications被引用 7

一句话总结

本文建立了单步对称性破缺（1RSB）腔方法与张量网络之间的精确映射，使得张量网络技术（如信念传播和简易更新）能够被用于增强组合优化问题的经典求解器。其主要贡献是一种基于张量网络的新算法，用于求解k-SAT问题，该算法在SAT-UNSAT相变附近显著优于现有求解器，性能提升达数个数量级。

ABSTRACT

We develop an exact mapping between the one-step replica symmetry breaking cavity method and tensor networks. The two schemes come with complementary mathematical and numerical toolboxes that could be leveraged to improve the respective states of the art. As an example, we construct a tensor-network representation of Survey Propagation, one of the best deterministic k-SAT solvers. The resulting algorithm outperforms any existent tensor-network solver by several orders of magnitude. We comment on the generality of these ideas, and we show how to extend them to the context of quantum tensor networks.

研究动机与目标

• 建立1RSB腔方法与张量网络之间在高维无序系统中的严格数学对应关系。
• 利用张量网络工具（如信念传播和固定点环境）提升经典消息传递算法在组合优化中的性能。
• 开发一种启发式张量网络算法，使其在相变附近的大规模、难解k-SAT实例上显著优于现有求解器。
• 将该框架扩展至量子张量网络，并探讨其在量子多体系统和无序材料中的影响。

提出的方法

• 通过一一对应关系将因子图映射为张量网络，其中张量收缩表示配分函数和自由熵。
• 用信念传播导出的局部固定点环境表达张量网络的自由熵。
• 构建一个对应于1RSB腔方法的辅助张量网络模型，用于编码规范固定解的分布。
• 在张量网络上使用简易更新作为固定点规范下的采样机制，类似于RSB中的重要性采样。
• 将调查传播算法改写为张量网络形式，实现高效收缩与解的搜索。
• 通过将热力学概念推广至量子态和无序哈密顿量，将形式化方法扩展至量子张量网络。

实验结果

研究问题

• RQ1 1RSB腔方法能否系统性地在张量网络形式中重述，以统一统计力学与张量网络技术？
• RQ2 张量网络算法在多大程度上可提升如调查传播等经典消息传递求解器在组合优化中的性能？
• RQ3 在张量网络形式下，辅助1RSB模型在多大程度上可更高效地识别并收缩受挫子图？
• RQ4 张量网络与RSB之间的联系能否推广至量子系统，从而为无序量子材料提供新的平均场近似？

主要发现

• 本文构建了调查传播的张量网络表示，其在k-SAT问题上的性能相比现有张量网络求解器提升了数个数量级。
• 张量网络的自由熵可利用信念传播导出的固定点环境进行局部表达，从而实现高效的变分优化。
• 以张量网络形式表示的辅助1RSB模型对应于规范固定解的分布，从中采样可获得更优的解质量。
• 证明了张量网络上的简易更新等价于从1RSB辅助模型中抽样，为实际算法路径提供了支持。
• 该框架可识别出信念传播难以收敛的子图，提示应针对性地使用精确或高级收缩方法。
• 将框架扩展至量子张量网络，为利用广义热力学概念研究无序系统中的量子相提供了新途径。