[论文解读] Flow-Based Sampling for Entanglement Entropy and the Machine Learning of Defects

Andrea Bulgarelli, Elia Cellini+6 more|arXiv (Cornell University)|Oct 18, 2024

Advancements in Semiconductor Devices and Circuit Design被引用 1

一句话总结

本文提出一种基于流的采样方法，利用具有缺陷特异性的耦合层的归一化流，计算格点量子场论中的Rényi纠缠熵和熵c-函数。通过将生成建模聚焦于复制缺陷附近的区域，该方法在2D和3D φ⁴理论中临界点附近，相较于传统蒙特卡罗方法实现了更高的采样效率和精度，尽管深度扩展有限，但有效样本量保持一致且计算成本更低。

ABSTRACT

We introduce a novel technique to numerically calculate Rényi entanglement entropies in lattice quantum field theory using generative models. We describe how flow-based approaches can be combined with the replica trick using a custom neural-network architecture around a lattice defect connecting two replicas. Numerical tests for the $\phi^4$ scalar field theory in two and three dimensions demonstrate that our technique outperforms state-of-the-art Monte Carlo calculations, and exhibit a promising scaling with the defect size.

研究动机与目标

• 开发一种可扩展且精确的方法，用于计算格点量子场论中的Rényi纠缠熵和熵c-函数。
• 克服标准蒙特卡罗方法在估算复制技巧所需的配分函数比值时的低效性。
• 通过设计聚焦于缺陷区域的耦合层，将归一化流与格点场论相结合，以减少生成建模中的自由度数量。
• 在2D和3D φ⁴理论中，评估该流式采样方法相较于最先进蒙特卡罗和随机归一化流方法的性能。
• 评估该方法在不同系统尺寸和临界点附近的可扩展性和鲁棒性。

提出的方法

• 设计一种定制的归一化流架构，其耦合层仅作用于靠近复制缺陷的自由度，从而最小化参数数量和计算成本。
• 该方法使用复制技巧，将Rényi熵表示为在具有子系统边界处拓扑缺陷的复制几何中配分函数的比值。
• 通过训练生成模型以采样复制系统的玻尔兹曼分布，利用学习到的概率密度实现对配分函数比值的无偏估计。
• 使用有效样本量（ESS）作为性能指标，比较流式采样与NE-MCMC和SNF方法的性能。
• 该方法利用归一化流的精确概率密度估计能力，无需依赖马尔可夫链转移来计算配分函数比值。
• 在φ⁴理论中，将模型从一个耦合常数（κ）转移到另一个，实现临界点外的熵c-函数评估。

实验结果

研究问题

• RQ1 归一化流能否通过复制技巧被有效应用于计算格点量子场论中的纠缠熵？
• RQ2 将生成建模聚焦于缺陷区域是否能相比全格点流提升采样效率和精度？
• RQ3 与NE-MCMC和SNF方法相比，缺陷感知归一化流在有效样本量和计算成本方面的性能如何？
• RQ4 该方法在临界点附近跨耦合常数外推时是否保持高精度和稳定性？
• RQ5 随着系统尺寸和流深度的增加，该方法的缩放行为如何？

主要发现

• 所提出的流式方法在1+1D和2+1D φ⁴理论中估算熵c-函数C₂时，优于最先进的蒙特卡罗技术，尤其在临界点附近表现更优。
• 随着系统尺寸增大，有效样本量（ESS）几乎保持不变，表明采样性能与格点体积无关，具有鲁棒性。
• 尽管架构更深，但nblock = 10和nblock = 20的归一化流相比nblock = 5并未显示出ESS的提升，表明深度增加对性能的增益有限。
• 尽管后者在深度扩展方面表现更好，但归一化流的总模拟成本始终低于NE-MCMC和SNF方法。
• 该方法可在临界点附近的多个耦合常数κ范围内实现C₂的精确计算，且在κc处训练的模型可成功迁移至邻近κ值。
• 使用聚焦于缺陷区域的耦合层减少了流中的自由度数量，从而实现更快的推理速度，并在成本-性能权衡上优于基于随机的方法。