[论文解读] Learning quantum phases via single-qubit disentanglement

Zheng An, Chenfeng Cao+2 more|arXiv (Cornell University)|Jul 8, 2021

Neural Networks and Reservoir Computing参考文献 70被引用 4

一句话总结

该论文提出一种基于强化学习（RL）的方法，通过训练单量子比特解纠缠电路来识别横场伊辛模型（TFIM）和XXZ模型中的量子相，揭示其不同的纠缠结构。RL智能体学习最优的局部酉操作以实现量子比特解纠缠，在不同系统尺寸下均表现出高鲁棒性和可扩展性，成功检测相变，同时在TFIM中揭示了克拉默斯-瓦尼尔对偶性。

ABSTRACT

Identifying phases of matter presents considerable challenges, particularly within the domain of quantum theory, where the complexity of ground states appears to increase exponentially with system size. Quantum many-body systems exhibit an array of complex entanglement structures spanning distinct phases. Although extensive research has explored the relationship between quantum phase transitions and quantum entanglement, establishing a direct, pragmatic connection between them remains a critical challenge. In this work, we present a novel and efficient quantum phase transition classifier, utilizing disentanglement with reinforcement learning-optimized variational quantum circuits. We demonstrate the effectiveness of this method on quantum phase transitions in the transverse field Ising model (TFIM) and the XXZ model. Moreover, we observe the algorithm's ability to learn the Kramers-Wannier duality pertaining to entanglement structures in the TFIM. Our approach not only identifies phase transitions based on the performance of the disentangling circuits but also exhibits impressive scalability, facilitating its application in larger and more complex quantum systems. This study sheds light on the characterization of quantum phases through the entanglement structures inherent in quantum many-body systems.

研究动机与目标

• 开发一种可扩展的、基于局部方法的量子相识别技术，通过检测纠缠结构实现。
• 克服多体基态表征在量子系统中面临的指数级复杂性。
• 利用强化学习设计变分量子线路，提取关键纠缠特征，而无需全局优化。
• 展示该方法在不同系统尺寸和模型参数下的鲁棒性和可迁移性。
• 探索RL智能体是否能从纠缠模式中学习到基本对称性，如克拉默斯-瓦尼尔对偶性。

提出的方法

• 训练强化学习智能体设计变分量子线路，对目标量子比特执行单量子比特解纠缠。
• RL智能体通过优化局部酉操作，最小化目标量子比特与系统其余部分之间的纠缠熵。
• 在不同参数下，对TFIM和XXZ模型不同相的基态进行解纠缠线路训练。
• 通过测量相变点处的剩余纠缠熵，评估训练后线路的性能。
• 该方法仅使用局部操作和单量子比特测量，可扩展至更大系统。
• 将小系统（N=8）训练得到的线路应用于更大系统（N=10,12,14），测试其可迁移性和鲁棒性。

实验结果

研究问题

• RQ1 强化学习智能体能否设计出有效的解纠缠线路，基于纠缠结构区分量子相？
• RQ2 RL设计的解纠缠线路在训练参数和系统尺寸变化下是否表现出鲁棒性？
• RQ3 RL智能体能否从TFIM中的纠缠模式中学习到基本对称性（如克拉默斯-瓦尼尔对偶性）？
• RQ4 在小系统上训练的解纠缠线路是否可迁移至大系统而无需重新训练？
• RQ5 解纠缠态的纠缠熵如何反映底层的量子相变？

主要发现

• 基于RL设计的解纠缠线路在横场伊辛模型和XXZ模型中均以高精度成功识别相变。
• 该方法表现出鲁棒性：在不同训练参数和系统尺寸下性能保持一致。
• 在N=8系统上训练的解纠缠线路可有效推广至N=10、12和14量子比特系统，表明其具备可扩展性。
• 在TFIM中，当λ > 1时，RL智能体学习到两体最优解纠缠结构；当λ < 1时，揭示了克拉默斯-瓦尼尔对偶性。
• 解纠缠态的纠缠熵在相变点处呈现明显峰值，可作为可靠指标。
• 结果表明，纠缠结构是量子相的内在特征，与系统尺寸无关，而非有限尺寸效应。