[论文解读] Triangular Quantum Loop Topography for Machine Learning

Yi Zhang, Eun-Ah Kim|arXiv (Cornell University)|Nov 4, 2016

Advanced Electron Microscopy Techniques and Applications被引用 2

一句话总结

本文提出量子环拓扑成像（QLT），一种将量子哈密顿量或波函数通过由霍尔电导等拓扑响应引导的环状两点算符转换为多维图像的方法。在QLT数据上训练的单隐层全连接神经网络，能够以高保真度区分陈绝缘体和分数量子霍尔绝缘体与平凡绝缘体，标志着首个基于机器学习的拓扑量子相变相图。

ABSTRACT

Despite rapidly growing interest in harnessing machine learning in the study of quantum many-body systems, training neural networks to identify quantum phases is a nontrivial challenge. The key challenge is in efficiently extracting essential information from the many-body Hamiltonian or wave function and turning the information into an image that can be fed into a neural network. When targeting topological phases, this task becomes particularly challenging as topological phases are defined in terms of non-local properties. Here we introduce quantum loop topography (QLT): a procedure of constructing a multi-dimensional image from the sample Hamiltonian or wave function by evaluating two-point operators that form loops at independent Monte Carlo steps. The loop configuration is guided by characteristic response for defining the phase, which is Hall conductivity for the cases at hand. Feeding QLT to a fully-connected neural network with a single hidden layer, we demonstrate that the architecture can be effectively trained to distinguish Chern insulator and fractional Chern insulator from trivial insulators with high fidelity. In addition to establishing the first case of obtaining a phase diagram with topological quantum phase transition with machine learning, the perspective of bridging traditional condensed matter theory with machine learning will be broadly valuable.

研究动机与目标

• 为解决从量子多体系统中提取非局域拓扑信息以供机器学习使用所面临的挑战。
• 开发一种数据表征方法，将拓扑相特性（如霍尔电导）编码为适合神经网络输入的结构化类图像输入。
• 实现基于非局域序参数定义的量子相的机器学习模型的有效训练。
• 展示利用机器学习绘制拓扑量子相变相图的可行性，特别是平凡相与陈/分数量子霍尔绝缘体之间的相变。
• 通过构建具有物理解释性的特征工程流程，弥合传统凝聚态理论与现代机器学习之间的鸿沟。

提出的方法

• QLT通过在独立的蒙特卡罗采样步骤中评估形成闭合环路的两点关联算符，构建多维图像。
• 环路构型由系统的特征响应引导，特别是霍尔电导，其作为拓扑序的代理。
• 生成的图像数据编码了识别拓扑相所必需的非局域关联。
• 使用单隐层全连接神经网络在QLT图像上进行训练，以分类量子相。
• 该方法利用蒙特卡罗采样，高效探索多体系统的构型空间。
• 该架构设计为可解释且可扩展，专注于通过局域算符环路捕捉全局拓扑不变量。

实验结果

研究问题

• RQ1 当在源自非局域拓扑不变量的数据上训练时，机器学习能否有效识别拓扑量子相？
• RQ2 如何将量子多体哈密顿量或波函数转换为适合神经网络输入的类图像表示？
• RQ3 是否能够使用QLT，通过如单隐层全连接网络等简单神经网络架构，实现对拓扑相的高保真度分类？
• RQ4 能否通过具有物理意义的特征工程，利用机器学习构建涉及拓扑量子相变的相图？
• RQ5 与标准局域可观测量相比，使用环状两点算符如何改善对拓扑序的表征？

主要发现

• QLT成功地将量子哈密顿量或波函数转换为保留关键拓扑信息的多维图像表示。
• 在QLT数据上训练的神经网络能够以高保真度将陈绝缘体和分数量子霍尔绝缘体与平凡绝缘体区分开来。
• 该方法实现了首个基于机器学习的、涉及拓扑量子相变的相图构建。
• 使用由霍尔电导引导的环状两点算符，提供了对拓扑相具有物理解释性和有效性的特征表征。
• 该方法表明，即使采用结构简单的单隐层全连接神经网络，也能有效从结构化的量子数据中学习复杂的拓扑序。
• QLT通过在数据表征流程中嵌入物理原理，建立了传统凝聚态理论与机器学习之间的桥梁。