[论文解读] Continuous-mixture Autoregressive Networks for efficient variational calculation of many-body systems

Lingxiao Wang, Yin Jiang+2 more|arXiv (Cornell University)|May 11, 2020

Quantum many-body systems参考文献 14被引用 5

一句话总结

本文提出了连续混合自回归网络（CANs），一种高效的深度生成模型，通过在晶格位点上建模条件概率分布，实现对具有连续自旋自由度的多体系统的高效计算。该方法成功恢复了二维XY模型中的Kosterlitz-Thouless相变，实现了无需监督的任意子检测，并通过螺旋模量计算得出相变温度为β ≈ 1.10，避免了MCMC模拟中典型的临界慢化现象。

ABSTRACT

We develop deep autoregressive networks with multi channels to compute many-body systems with \emph{continuous} spin degrees of freedom directly. As a concrete example, we embed the two-dimensional XY model into the continuous-mixture networks and rediscover the Kosterlitz-Thouless (KT) phase transition on a periodic square lattice. Vortices characterizing the quasi-long range order are accurately detected by the autoregressive neural networks. By learning the microscopic probability distributions from the macroscopic thermal distribution, the neural networks compute the free energy directly and find that free vortices and anti-vortices emerge in the high-temperature regime. As a more precise evaluation, we compute the helicity modulus to determine the KT transition temperature. Although the training process becomes more time-consuming with larger lattice sizes, the training time remains unchanged around the KT transition temperature. The continuous-mixture autoregressive networks we developed thus can be potentially used to study other many-body systems with continuous degrees of freedom.

研究动机与目标

• 开发一种用于具有连续自由度的多体系统的变分方法，以避免传统MCMC方法的局限性，如临界慢化和符号问题。
• 利用深度生成模型实现对连续自旋系统中拓扑缺陷（如任意子）的无监督检测。
• 为计算如二维XY模型等系统中的热力学量和相变提供一种可扩展且高效的蒙特卡罗方法替代方案。
• 展示自回归神经网络在量子与统计系统中对长程关联和拓扑序的建模能力。

提出的方法

• 提出连续混合自回归网络（CANs），通过晶格位点上的条件概率自回归分解来建模多体系统的联合概率分布。
• 使用多通道β分布混合来表示每个晶格位点的连续条件概率分布，从而灵活建模连续自旋变量。
• 采用变分方法从宏观热分布中学习微观概率分布，直接计算自由能。
• 利用GPU加速训练，高效生成配置，训练时间与晶格尺寸呈多项式关系（t_train ∝ L^1.708）。
• 利用CAN生成配置计算的螺旋模量，通过与2kBT/π的交叉点确定Kosterlitz-Thouless相变点。
• 以无监督方式训练网络，使任意子和反任意子能自然从学习到的配置中浮现。

实验结果

研究问题

• RQ1 具有连续条件分布的深度自回归网络能否有效建模并检测连续自旋系统中的拓扑相变？
• RQ2 CANs是否能避免在相变附近出现的临界慢化现象，与传统MCMC方法形成对比？
• RQ3 CANs在多大程度上能复现已知的相变温度，例如二维XY模型中的Kosterlitz-Thouless相变？
• RQ4 与标准蒙特卡罗模拟相比，该网络在生成任意子和反任意子方面的能力如何？
• RQ5 CANs的训练时间与晶格尺寸的缩放行为如何？是否能高效地在GPU上并行化？

主要发现

• CAN模型成功恢复了二维XY模型中的Kosterlitz-Thouless相变，相变温度估计为β_KT ≈ 1.10，与标准蒙特卡罗结果一致。
• 从CAN生成配置计算出的螺旋模量在L = 16时于β ≈ 1.10处与2kBT/π出现交叉，证实了相变的存在。
• 在生成的配置中，任意子和反任意子自然浮现，无需显式标注，证明了对拓扑缺陷的无监督检测能力。
• 每步训练时间在不同温度下几乎保持恒定（约0.2秒），表明临界慢化现象得到有效缓解。
• 训练时间满足t_train(L) ≈ 0.0026 × L^1.708，显示出与晶格尺寸的多项式依赖关系，借助GPU加速可高效处理。
• 该方法可直接高精度计算自由能及依赖长程关联的高阶统计量（如螺旋模量）。