[论文解读] Positive-definite parametrization of mixed quantum states with deep neural networks

Filippo Vicentini, Riccardo Rossi+1 more|arXiv (Cornell University)|Jun 27, 2022

Quantum many-body systems被引用 6

一句话总结

本文提出格拉姆-哈达玛德密度算符（GHDO），一种深度神经网络架构，可使用多项式资源精确参数化任意秩的半正定密度矩阵。通过嵌入自回归结构，GHDO 实现了直接采样，并在混合量子态的变分模拟中取得显著改进，如在耗散横向场伊辛模型中准确估算局域可观测量和 R\'enyi 熵。

ABSTRACT

We introduce the Gram-Hadamard Density Operator (GHDO), a new deep neural-network architecture that can encode positive semi-definite density operators of exponential rank with polynomial resources. We then show how to embed an autoregressive structure in the GHDO to allow direct sampling of the probability distribution. These properties are especially important when representing and variationally optimizing the mixed quantum state of a system interacting with an environment. Finally, we benchmark this architecture by simulating the steady state of the dissipative transverse-field Ising model. Estimating local observables and the Rényi entropy, we show significant improvements over previous state-of-the-art variational approaches.

研究动机与目标

• 开发一种灵活的深度神经网络架构，可使用相对于系统尺寸的多项式计算成本，精确表示任意秩的半正定密度矩阵。
• 实现对混合量子态对角概率分布的直接采样，避免变分蒙特卡洛中的自相关问题。
• 通过确保深层架构中物理一致性（半正定性、厄米性），克服先前方法（如浅层 RBM 或非物理试探波函数）的局限性。
• 在开放量子系统上对方法进行基准测试，特别是耗散横向场伊辛模型，以评估其在捕捉局域与全局性质方面的能力。
• 证明深度、结构化的神经网络可优于当前最先进的变分方法，在模拟开放量子系统稳态方面表现更优。

提出的方法

• 提出格拉姆-哈达玛德密度算符（GHDO），定义为 $\hat{\rho} = \sum_{a=1}^{R} \sum_{\sigma,\eta} \psi_{\sigma_{\leq h},a} \psi^{*}_{\eta_{\leq h},a} \ket{\sigma}\bra{\eta}$，通过矩阵元的分解确保半正定性。
• 采用带有 SELU 激活函数的掩码全连接层，对 $\psi_{\sigma_{\leq h},a}$ 实现分层参数化，从而在自旋构型上建立深层自回归结构。
• 通过网络输出定义条件概率 $p(\sigma_h|\sigma_{<h})$ 实现自回归采样，实现无需马尔可夫链蒙特卡洛的构型直接生成。
• 使用变分原理优化试探波函数，将密度矩阵表示为条件分布的凸组合，以保持归一化和物理性。
• 在优化过程中使用带正则化的共轭梯度求解器求解时间依赖变分原理（TDVP）方程。
• 使用 JAX 和 Flax 实现高效可微编程，结合 NetKet 进行量子多体模拟，以及 mpi4jax 实现分布式训练。

实验结果

研究问题

• RQ1 能否设计一种深度神经网络架构，使用多项式资源精确表示任意秩的半正定密度矩阵？
• RQ2 能否在该架构中嵌入自回归结构，以实现对对角概率分布的直接采样？
• RQ3 该方法在模拟混合量子态方面是否优于现有变分方法，特别是在开放量子系统中？
• RQ4 该架构能否在耗散系统中准确捕捉局域可观测量和全局纠缠特性（如 R\'enyi 熵）？
• RQ5 能否构建一种物理一致的深层试探波函数，用于混合态，避免全密度矩阵表示的指数标度？

主要发现

• GHDO 架构使用 $R = 2^N$ 个参数精确表示任意 $N$-量子比特密度矩阵，相对于系统尺寸实现精确参数化且计算资源为多项式量级。
• 自回归 GHDO 实现了对角概率分布的直接采样，显著提升了采样效率，优于基于 Metropolis 的方法。
• 在耗散横向场伊辛模型的模拟中，GHDO 准确再现了约化单自旋密度矩阵，表明其在局域可观测量上具有高保真度。
• 使用 GHDO 计算的 R\'enyi-2 熵收敛至预期值，证明该方法能够捕捉全局纠缠特征。
• 在稳态模拟中，该方法在准确性和收敛速度方面均显著优于先前最先进的变分方法。
• 通过在深层架构中强制实施正半定性和厄米性等物理约束，该方法优于非物理试探波函数和浅层 RBM 方法。