[论文解读] Inverse design of dissipative quantum steady-states with implicit differentiation

Rodrigo A. Vargas–Hernández, Ricky T. Q. Chen+2 more|arXiv (Cornell University)|Nov 25, 2020

Advanced Thermodynamics and Statistical Mechanics参考文献 19被引用 5

一句话总结

本文提出了一种新颖的隐式微分方法，用于计算开放量子系统中耗散量子稳态对哈密顿量参数的梯度，实现了高效的逆向设计与敏感性分析。通过结合隐函数定理与自动微分，该方法以恒定内存消耗实现高精度计算，其结果在自旋-玻色子模型与Redfield理论下的验证中与有限差分结果高度一致。

ABSTRACT

Inverse design of a property that depends on the steady-state of an open quantum system is commonly done by grid-search type of methods. In this paper we present a new methodology that allows us to compute the gradient of the steady-state of an open quantum system with respect to any parameter of the Hamiltonian using the implicit differentiation theorem. As an example, we present a simulation of a spin-boson model where the steady-state solution is obtained using Redfield theory.

研究动机与目标

• 开发一种可扩展、内存高效的算法，用于计算开放量子系统中量子稳态对哈密顿量参数的梯度。
• 通过计算可观测量（如⟨σz⟩）对系统参数ε和Δ的梯度，实现对量子系统的逆向设计。
• 提供一种与计算稳态所用数值求解器无关的框架，提升灵活性与广泛适用性。
• 支持稳态性质依赖于系统参数的量子系统中的敏感性分析与优化。
• 通过自旋-玻色子模型在Redfield理论下的验证，展示该方法的精度与效率。

提出的方法

• 该方法应用隐函数定理，通过∂ρ^ss/∂θ_i = -[∂f/∂ρ]^(-1) [∂f/∂θ_i] 计算稳态密度矩阵ρ^ss对参数θ_i的梯度，其中f(ρ^ss, θ) = 0 定义了稳态条件。
• 通过求解辅助ODE dy/dt = yJ - v，高效计算向量-雅可比乘积，避免显式求逆雅可比矩阵。
• 利用自动微分库（如JAX）以低计算成本计算向量-雅可比乘积，实现可扩展的梯度计算。
• 在自旋-玻色子模型中，稳态通过Redfield理论计算，梯度结果与有限差分结果进行验证。
• 优化过程采用Adam算法，梯度通过所提出的隐式微分方案计算。
• 该方法实现恒定内存使用，因其无需存储中间ODE求解器状态或反转时间轨迹。

实验结果

研究问题

• RQ1 是否能够无需存储ODE求解器轨迹，高效且准确地计算耗散量子稳态对系统参数的梯度？
• RQ2 在计算稳态可观测量梯度时，隐式微分方法与有限差分相比在精度上表现如何？
• RQ3 该方法是否能够通过优化参数以实现目标稳态可观测量，从而实现有效的量子系统逆向设计？
• RQ4 稳态期望值⟨σz⟩对系统参数ε和Δ的变化敏感程度如何？
• RQ5 该方法是否具备可扩展性，并适用于通过复杂多体理论（如Redfield理论）计算稳态的系统？

主要发现

• 利用隐函数定理，稳态密度矩阵对哈密顿量参数的梯度被准确计算，结果与有限差分计算高度一致。
• 该方法在测试参数范围内实现了高精度，梯度的相对误差低于10^-5。
• 发现期望值⟨σz⟩随Δ增大而增加，且在测试参数范围内对浴参数β、η和wc不敏感。
• 使用Adam优化器进行逆向设计，成功收敛至一组参数(ε, Δ)，使目标⟨σz⟩ ≈ 0.04995847得以重现，100次迭代后损失值低于2×10^-5。
• 该方法展示了恒定内存使用，因其避免存储ODE轨迹或时间反演，适用于大规模量子系统。
• 该框架还可用于优化初始密度矩阵，从而扩展其在初始条件敏感性研究中的适用性。