[论文解读] Data-driven discovery of statistically relevant information in quantum simulators

Roberto Verdel, Vittorio Vitale+8 more|arXiv (Cornell University)|Jul 19, 2023

Quantum many-body systems参考文献 71被引用 4

一句话总结

该论文提出了一种理论无关、数据驱动的框架，利用非参数无监督学习识别量子模拟器中统计上相关的可观测量和有效自由度。通过将主成分分析熵、信息不平衡性和内在维度估计方法应用于自旋-1玻色-爱因斯坦凝聚体的实验快照，该方法揭示了时间依赖的普遍动力学行为，并在无需假设或受控降维的前提下对算符的相关性进行排序。

ABSTRACT

Quantum simulators offer powerful means to investigate strongly correlated quantum matter. However, interpreting measurement outcomes in such systems poses significant challenges. Here, we present a theoretical framework for information extraction in synthetic quantum matter, illustrated for the case of a quantum quench in a spinor Bose-Einstein condensate experiment. Employing non-parametric unsupervised learning tools that provide different measures of information content, we demonstrate a system-agnostic approach to identify dominant degrees of freedom. This enables us to rank operators according to their relevance, akin to effective field theory. To characterize the corresponding effective description, we then explore the intrinsic dimension of data sets as a measure of the complexity of the dynamics. This reveals a simplification of the data structure, which correlates with the emergence of time-dependent universal behavior in the studied system. Our assumption-free approach can be immediately applied in a variety of experimental platforms.

研究动机与目标

• 开发一种理论无关的方法，从大规模量子模拟器数据中提取相关物理信息，而无需假设底层模型。
• 解决在强关联量子系统中（尤其是量子淬火后）识别主导自由度的挑战。
• 通过内在维度估计量化多体动力学的复杂性，将数据结构与涌现的普遍行为联系起来。
• 提供一种系统化、无假设的方法，根据信息含量对可观测量进行排序，类似于有效场论的思路。
• 通过仅依赖测量得到的数据快照，实现实验平台的即时跨平台应用。

提出的方法

• 对多体快照应用主成分分析（PCA），以谱熵作为信息含量和相关性结构的度量。
• 利用子集与完整特征空间之间的信息不平衡度，评估子集对完整数据流形的预测能力。
• 使用 TWO-NN 方法估计数据流形的内在维度，该方法依赖于最近邻距离比的累积分布经验分布。
• 对最近邻距离比的累积分布经验分布进行线性拟合，以估计内在维度 $I_d$。
• 采用子采样结合 delete-$d$ Jackknife 估计器，稳健地估计因实验实现次数有限而产生的统计误差。
• 结合多种度量（PCA 熵、信息不平衡度、内在维度）以识别最相关的可观测量和动力学模式。

实验结果

研究问题

• RQ1 在量子模拟器中，哪些可观测量携带了关于底层多体动力学的最统计相关的信息？
• RQ2 在无先验理论假设的前提下，如何识别量子多体系统在量子淬火后的主要自由度？
• RQ3 数据流形的内在维度与量子系统中普遍的、时间依赖的动力学行为的出现之间存在何种关系？
• RQ4 无监督、非参数学习工具能否可靠地从原始实验数据中揭示类似有效场论的描述？
• RQ5 如何在不依赖模型假设的前提下量化量子模拟器数据的复杂性，并检测动力学中的简化现象？

主要发现

• PCA 熵识别出最具信息量的可观测量：将 $n_{1,+1}, n_{1,-1}, n_{2,+2}, n_{2,-2}$ 联合构成的数据集熵最低，表明其信息含量最大。
• 信息不平衡度分析表明，同时包含两组相关可观测量 ($\{n_{1,+1},n_{1,-1}\}$ 和 $\{n_{2,+2},n_{2,-2}\}$) 的子集具有 $\Delta(A\to B) \sim 0$，表明其几乎捕获了完整特征空间中的全部信息。
• 数据流形的内在维度在初始下降后出现长时间稳定的平台，表明存在一个动力学简化的特征时间尺度，该尺度下系统可由普遍标度行为描述。
• 通过线性拟合 $\{\ln(\mu), -\ln[1-F_{\mathrm{emp}}(\mu)]\}$ 估计内在维度 $I_d$，在 $\ln(\mu)$ 的较大范围内表现出一致的帕累托型行为，验证了 TWO-NN 方法的有效性。
• 当子采样参数为 $b=30$ 且 $q=100$ 时，误差估计稳定，证实了在有限实现次数（$N_r=225$）下统计推断的稳健性。
• 该框架成功识别出两组相关可观测量，并揭示了向更简单、普遍的动力学行为的转变，其结果与有效场论的直觉一致，且未假设任何物理模型。