[论文解读] Analytic continuation of QMC data with a sign problem

Alexandru Macridin, Sumith Doluweera+2 more|arXiv (Cornell University)|Oct 4, 2004

Spectroscopy and Quantum Chemical Studies参考文献 4被引用 4

一句话总结

本文提出了一种改进的最大熵方法（MEM），用于处理因符号问题而受损的量子蒙特卡洛（QMC）数据的解析延拓。通过将符号波动视为谱范数的一部分，通过重新定义谱 ${\cal{A}} = A s$，该方法考虑了测量的格林函数 $Gs$ 与符号 $s$ 之间的相关性，从而在标准MEM失效的病态数据条件下实现了高分辨率谱。关键结果是在单粒子系统中，收敛谱所需的数据点数减少了六倍。

ABSTRACT

We present a Maximum Entropy method (MEM) for obtaining dynamical spectra from Quantum Monte Carlo data which have a sign problem. By relating the sign fluctuations to the norm of the spectra, our method properly treats the correlations between the measured quantities and the sign. The method greatly improves the quality and the resolution of the spectra, enabling it to produce good spectra even for poorly conditioned data where standard MEM fails.

研究动机与目标

• 解决在严重符号问题下从QMC模拟中获得可靠动力学谱的挑战。
• 克服标准最大熵方法（MEM）在数据非高斯且因符号波动而强相关时的失效问题。
• 开发一种即使在平均符号较小且数据有限的情况下也能保持谱分辨率的方法。
• 在极端符号问题条件下，实现对单粒子和双粒子谱函数的精确解析延拓。

提出的方法

• 该方法将谱重新定义为 ${\cal{A}} = A \cdot s$，其中 $A$ 为原始谱函数，$s$ 为QMC构型的符号，从而将符号波动纳入谱范数。
• 它将直接测量的量 $(Gs, s)$ 作为输入数据，避免了扭曲相关性的非线性变换。
• 似然函数直接从 $(Gs, s)$ 的联合分布构建，保留了格林函数与符号之间的相关结构。
• 在 $(Gs, s)$-空间中应用旋转，以解耦相关变量，从而实现数据的正确高斯化。
• 该方法采用贝叶斯推断，基于相对于默认模型的熵构建先验，并通过模拟退火技术在低温区域进行优化。
• 该方法通过从一开始就对真实统计依赖性进行建模，避免了标准MEM所假设的数据不相关或高斯分布的要求。

实验结果

研究问题

• RQ1 当符号问题导致数据非高斯且强相关时，能否可靠地对QMC数据进行解析延拓？
• RQ2 在谱重构中，如何正确地考虑构型符号与测量格林函数之间的相关性？
• RQ3 当数据因平均符号较小而条件不佳时，谱分辨率能提升到何种程度？
• RQ4 通过更优地处理符号波动，能否显著降低获得收敛谱的计算成本？

主要发现

• 新方法仅需100个数据点即可获得收敛的单粒子谱函数，而标准MEM至少需要600个点才能达到类似质量。
• 在相同数据规模下，新方法生成的谱比标准MEM更接近收敛结果，尤其在分辨高能特征方面表现更优。
• 在双粒子情形下，新方法使用1000个数据点所获得的谱分辨率优于旧方法使用4000个数据点的结果，表明数据效率有显著提升。
• 即使在平均符号较小的区域，该方法也能实现可靠的谱重构，而标准MEM因非高斯性和强相关性而在此区域失效。
• 改进归因于通过重新定义谱 ${\cal{A}} = A s$ 对 $Gs$ 与 $s$ 之间相关性的恰当处理，避免了扭曲统计特性的数据变换。
• 与标准方法相比，使用新方法获得单粒子谱的计算成本降低了约六倍。