[论文解读] Neural-network quantum states for ultra-cold Fermi gases

Jane Kim, Gabriel Pescia+6 more|arXiv (Cornell University)|May 15, 2023

Cold Atom Physics and Bose-Einstein Condensates被引用 4

一句话总结

该论文提出了一种具有消息传递架构和反流变换的佩夫连-贾斯特罗神经网络量子态，以高效模拟超冷费米气体中的强配对关联。其基态能量低于扩散蒙特卡洛基准结果，并实现了稳定、可加速的迁移学习，从而探索BCS-BEC交叉区域，包括接近单位极限的区域。

ABSTRACT

Ultra-cold Fermi gases display diverse quantum mechanical properties, including the transition from a fermionic superfluid BCS state to a bosonic superfluid BEC state, which can be probed experimentally with high precision. However, the theoretical description of these properties is challenging due to the onset of strong pairing correlations and the non-perturbative nature of the interaction among the constituent particles. This work introduces a novel Pfaffian-Jastrow neural-network quantum state that includes backflow transformation based on message-passing architecture to efficiently encode pairing, and other quantum mechanical correlations. Our approach offers substantial improvements over comparable ansätze constructed within the Slater-Jastrow framework and outperforms state-of-the-art diffusion Monte Carlo methods, as indicated by our lower ground-state energies. We observe the emergence of strong pairing correlations through the opposite-spin pair distribution functions. Moreover, we demonstrate that transfer learning stabilizes and accelerates the training of the neural-network wave function, enabling the exploration of the BCS-BEC crossover region near unitarity. Our findings suggest that neural-network quantum states provide a promising strategy for studying ultra-cold Fermi gases.

研究动机与目标

• 开发一种灵活且保持对称性的神经网络量子态，以在不依赖有偏物理试探波函数的前提下，捕捉超冷费米气体中的强配对与关联效应。
• 克服传统变分蒙特卡洛和扩散蒙特卡洛方法的局限性，特别是固定节点近似和对初始波函数选择的依赖。
• 通过迁移学习避免局部极小值，实现对BCS-BEC交叉区域（尤其是单位极限附近）的精确且稳定的模拟。
• 提供一种可扩展且可推广的框架，适用于强关联费米系统，包括核物质和分子体系。
• 证明佩夫连-贾斯特罗神经网络态在无需对轨道结构做先验假设的情况下，能比斯莱特-贾斯特罗或双电子对基方法更有效地编码非微扰关联。

提出的方法

• 所提出的方法采用佩夫连-贾斯特罗（PJ）神经网络量子态（PJ-BF），结合贾斯特罗关联因子与佩夫连行列式，以描述配对关联。
• 采用消息传递神经网络（MPNN）计算反流变换，基于多体关联动态重构单粒子轨道。
• MPNN架构通过基于图的系统表示在粒子间传播信息，编码空间和自旋依赖的关联。
• 使用变分蒙特卡洛（VMC）结合随机重整化方法优化波函数，确保高效且稳定的训练。
• 通过在粒子数较少或物理已知的系统上进行预训练，然后对更大或更复杂的系统进行微调，应用迁移学习，尤其在单位极限附近。
• 在神经网络架构中显式地施加平移不变性、宇称和时间反演对称性，以确保物理一致性。

实验结果

研究问题

• RQ1 具有反流和消息传递架构的神经网络量子态是否能在模拟超冷费米气体方面优于标准的斯莱特-贾斯特罗和扩散蒙特卡洛方法？
• RQ2 迁移学习在强关联费米系统（尤其是单位极限附近）中，能否有效稳定并加速训练？
• RQ3 佩夫连-贾斯特罗试探波函数在不预先假设轨道结构的情况下，能在多大程度上捕捉非微扰配对关联？
• RQ4 该方法能否推广至其他强关联系统，如核物质或同位旋不对称体系？
• RQ5 通过MPNN引入反流，相较于单粒子图像方法，如何显著改善对BCS-BEC交叉区域的描述？

主要发现

• 具有反流的佩夫连-贾斯特罗神经网络态（PJ-BF）实现了低于扩散蒙特卡洛基准的基态能量，表明其具有更高的精度。
• 迁移学习在BCS-BEC交叉区域（尤其是单位极限附近）实现了稳定且高效的训练，降低了陷入局部极小值的风险。
• 反平行自旋对分布函数揭示了强烈的配对关联，证实了模型捕捉非微扰配对行为的能力。
• 基于MPNN的反流变换在深配对区域显著优于标准单粒子反流，显著提升了关联描述能力。
• 该方法在采用相同MPNN架构的情况下，优于相应的斯莱特-贾斯特罗试探波函数，证明了佩夫连结构在编码配对方面的优势。
• 该框架具有可推广性：无极化体系使用单一架构，而$N\pm1$体系可通过为未配对轨道添加一个FNN进行处理，从而实现直接的能隙计算。