[论文解读] Progress on stochastic analytic continuation of quantum Monte Carlo data

Hui Shao, Anders W. Sandvik|arXiv (Cornell University)|Feb 20, 2022

Spectroscopy and Quantum Chemical Studies被引用 6

一句话总结

该论文通过引入基于熵的优化和约束采样，推进了量子蒙特卡罗数据的随机解析继续（SAC）方法，以解决此前传统方法在处理准粒子峰和幂律边缘等尖锐谱特征时产生的失真问题。研究表明，在Nω趋于无穷的极限下，SAC平均与最大熵解等价，从而实现了前所未有的分辨率和精度的谱函数高保真重建。

ABSTRACT

We report multipronged progress on the stochastic averaging approach to numerical analytic continuation of quantum Monte Carlo data. With the sampled spectrum parametrized with delta-functions in continuous frequency space, a calculation of the configurational entropy lends support to a simple goodness-of-fit criterion for the optimal sampling temperature. To further investigate entropic effects, we compare spectra sampled in continuous frequency with results of amplitudes sampled on a fixed frequency grid. We demonstrate equivalences between sampling and optimizing spectral functions with the maximum-entropy approach with different forms of the entropy. These insights revise prevailing notions of the maximum-entropy method and its relationship to stochastic analytic continuation. We further explore various adjustable (optimized) constraints that allow sharp spectral features to be resolved, in particular at the lower frequency edge. The constraints, e.g., the location of the edge or the spectral weight of a quasi-particle peak, are optimized using a statistical criterion. We show that this method can correctly reproduce both narrow and broad quasi-particle peaks. We next introduce a parametrization for more intricate spectral functions with sharp edges, e.g., power-law singularities. Tests with synthetic data as well as with real simulation data for the spin-1/2 Heisenberg chain demonstrate that constrained sampling methods can reproduce spectral functions with sharp edge features at unprecedented fidelity. We present new results for S=1/2 Heisenberg 2-leg and 3-leg ladders to illustrate the ability of the methods to resolve spectral features arising from both elementary and composite excitations. Finally, we also propose how the methods developed here could be used as "pre processors" for analytic continuation by machine learning.

研究动机与目标

• 解决现有解析继续方法在处理准粒子峰和幂律边缘等尖锐谱特征时存在的局限性。
• 通过配置熵和大Nω极限，建立随机解析继续（SAC）与最大熵（ME）方法之间的严格联系。
• 开发优化的约束条件（如峰位置和谱权重），以提升低温特征与边缘奇异性结构的分辨率。
• 实现对复杂谱函数的精确重建，包括自旋-1/2赫氏本链和梯度中由禁闭自旋子引起的发散边缘。
• 提出将SAC作为机器学习驱动的解析继续的预处理工具，以提升量子多体系统中谱函数的保真度。

提出的方法

• 将谱函数参数化为连续频率空间中的大量δ函数，从而实现配置熵的精确计算。
• 基于χ²和熵的拟合优度准则确定最优采样温度Θ，避免依赖人为设定。
• 通过在最优拟合条件下进行熵最小化，实现可调参数（如峰位置、边缘位置）的约束采样。
• 比较连续频率空间与固定频率网格的谱参数化方式，证明在广义热力学极限（大Nω）下二者等价。
• 引入单调性和边缘优化约束，以稳定采样过程并解析如幂律奇异性等尖锐特征。
• 将该方法应用于合成数据及自旋-1/2赫氏本链和梯度的实QMC数据，验证其在多种谱结构下的性能表现。

实验结果

研究问题

• RQ1 SAC中的配置熵能否为选择最优采样温度Θ提供原则性依据？
• RQ2 不同参数化方式（连续频率 vs. 固定网格频率）对谱重建有何影响？在大Nω极限下是否等价？
• RQ3 通过优化参数的约束采样能否解析传统方法通常会模糊化的尖锐谱边缘和窄准粒子峰？
• RQ4 SAC平均与最大熵解之间存在何种关系？在何种条件下二者等价？
• RQ5 SAC能否作为预处理工具，以提升基于机器学习的QMC数据解析继续的谱保真度？

主要发现

• 最优采样温度Θ由χ²拟合质量与配置熵之间的平衡决定，为传统启发式选择提供了物理解释。
• 在大Nω极限下，SAC平均收敛至最大熵解，不同参数化方式对应不同的先验熵形式。
• 通过优化峰位置与边缘参数的约束采样，成功解析了窄准粒子峰与宽谱特征，且无非物理解释的失真。
• 该方法准确重建了自旋-1/2赫氏本链动态结构因子中的幂律奇异性与发散边缘，证实了禁闭自旋子激发的存在。
• 谱特征如尖锐边缘与低能峰在重建中得以保留，未引入虚假伪影，优于标准解析继续方法。
• 该方法在两腿与三腿赫氏本梯度中得到验证，成功分辨了基本激发与复合激发。