[论文解读] High-accuracy variational Monte Carlo for frustrated magnets with deep neural networks

Christopher C. Roth, Attila Szabó+1 more|arXiv (Cornell University)|Nov 14, 2022

Advanced Condensed Matter Physics参考文献 70被引用 4

一句话总结

该论文提出了一种基于深度群卷积神经网络（GCNN）的变分蒙特卡洛方法，实现了对受挫量子自旋系统（包括正方晶格和三角晶格上的$J_1$-$J_2$海姆霍兹模型）的基态能量的最先进水平。通过强制实施空间群对称性，并采用一种新颖的逐层随机重配置（LayerSR）优化方法，该方法实现了无符号问题且对传统序无强偏倚的量子自旋液体的高精度模拟。

ABSTRACT

We show that neural quantum states based on very deep (4--16-layered) neural networks can outperform state-of-the-art variational approaches on highly frustrated quantum magnets, including quantum-spin-liquid candidates. We focus on group convolutional neural networks (GCNNs) that allow us to impose space-group symmetries on our ansätze. We achieve state-of-the-art ground-state energies for the $J_1-J_2$ Heisenberg models on the square and triangular lattices, in both ordered and spin-liquid phases, and discuss ways to access low-lying excited states in nontrivial symmetry sectors. We also compute spin and dimer correlation functions for the quantum paramagnetic phase on the triangular lattice, which do not indicate either conventional or valence-bond ordering.

研究动机与目标

• 为克服现有变分方法的偏差以及受挫量子磁体中存在符号问题的量子蒙特卡洛方法的局限性。
• 开发一种神经量子态（NQS）变分形式，能够准确描述量子自旋液体及竞争性有序相。
• 在深度神经网络中实现空间群对称性，以提升变分能量收敛速度与物理一致性。
• 实现对非平凡对称性子空间中低激发态的访问，以支持相变识别。
• 在大尺寸晶格（最大至16×16）上，实现对$J_1$-$J_2$海姆霍兹模型的精度超越现有方法。

提出的方法

• 该方法采用极深（4–16层）的群卷积神经网络（GCNN）来参数化变分波函数，并显式实施空间群对称性约束。
• 通过对称性投影通过群平均公式（式1b）实现，确保波函数在晶格空间群作用下正确变换。
• 网络架构避免将振幅与相位分离，因为受挫体系中相位学习难以实现；相反，采用局部、短程的卷积滤波器来构建长程关联。
• 提出一种新颖的逐层随机重配置（LayerSR）优化方法，通过逐层更新参数，在保持统计精度的同时降低内存使用并提升收敛性。
• 该方法使用局部能量估计器与基于方差的Lanczos步长来优化变分能量估计，对局部估计器施加校正以提高统计精度。
• 从优化后的波函数中计算自旋关联函数与二聚体关联函数，以探究量子无序相的性质。

实验结果

研究问题

• RQ1 基于显式对称性约束的深度神经量子态是否能在模拟高度受挫的量子磁体方面超越现有变分方法？
• RQ2 在GCNN-based NQS中强制实施空间群对称性是否能提升基态能量估计的收敛性与准确性？
• RQ3 该方法是否能可靠地访问非平凡对称性子空间中的低激发态，以识别量子相变？
• RQ4 在三角晶格$J_1$-$J_2$模型中计算的自旋与二聚体关联函数是否表明存在传统序或价键序？
• RQ5 LayerSR优化技术是否能显著提升深度NQS的训练稳定性与能量收敛性，同时避免过高的内存开销？

主要发现

• 基于深度GCNN的NQS在正方晶格与三角晶格的$J_1$-$J_2$海姆霍兹模型中均实现了基态能量的最先进水平，包括在量子无序相中。
• 该方法在16×16晶格体系中的变分能量与文献中最佳结果相当或更优，展现出高精度与良好的可扩展性。
• 在三角晶格上计算的自旋与二聚体关联函数未显示任何传统序或价键序的迹象，支持无序相中不存在长程序的结论。
• LayerSR优化通过仅在单次存储一层的雅可比矩阵，显著降低了内存使用，使每个GPU可处理更多蒙特卡洛样本，从而改善能量收敛。
• 采用均值减去的局部估计器进行$H$与$H^2$的Lanczos步长，提升了能量方差与偏度估计的统计精度。
• 该方法成功访问了多个对称性子空间中的低激发态，实现了对相变的精确识别与能级塔结构的解析。