[论文解读] Unsupervised detection of decoupled subspaces: many-body scars and beyond

Tomasz Szołdra, Piotr Sierant+2 more|arXiv (Cornell University)|Jan 18, 2022

Quantum many-body systems参考文献 76被引用 18

一句话总结

本文提出一种量子变分自编码器（QVAE），用于在相互作用量子体系中无监督地检测量子多体疤痕——即特殊低纠缠度本征态家族。通过仅在单个疤痕态上进行训练，QVAE 将其压缩为更小的量子表示，并识别出具有相似特征的其他本征态，成功在 PXP 模型中发现了超越 Z2 和 Z3 的新疤痕家族，并在无序自旋 ladder 系统中检测到动力学解耦的子空间，展示了在复杂希尔伯特空间中识别非遍历子空间的可扩展方法。

ABSTRACT

Highly excited eigenstates of quantum many-body systems are typically featureless thermal states. Some systems, however, possess a small number of special, low-entanglement eigenstates known as quantum scars. We introduce a quantum-inspired machine learning platform based on a Quantum Variational Autoencoder (QVAE) that detects families of scar states in spectra of many-body systems. Unlike a classical autoencoder, QVAE performs a parametrized unitary operation, allowing us to compress a single eigenstate into a smaller number of qubits. We demonstrate that the autoencoder trained on a scar state is able to detect the whole family of scar states sharing common features with the input state. We identify families of quantum many-body scars in the PXP model beyond the $\mathbb{Z}_2$ and $\mathbb{Z}_3$ families and find dynamically decoupled subspaces in the Hilbert space of disordered, interacting spin ladder model. The possibility of an automatic detection of subspaces of scar states opens new pathways in studies of models with a weak breakdown of ergodicity and fragmented Hilbert spaces.

研究动机与目标

• 开发一种无监督机器学习方法，用于检测多体体系高度激发本征态中的量子多体疤痕家族。
• 克服先前疤痕检测方法依赖母态或对称性知识的局限性。
• 证明在单个疤痕态上训练的 QVAE 可泛化识别出共享共同结构特征的整个疤痕本征态家族。
• 在 PXP Hamiltionian 和无序自旋 ladder 等模型中，识别出此前未知的疤痕家族及动力学解耦子空间。

提出的方法

• 该方法采用量子变分自编码器（QVAE），通过参数化酉变换 U(θ) 将 n-量子比特输入态 |ψ⟩ 压缩为 k-量子比特编码态 |φ⟩，并生成 n−k 个处于 |0⟩⊗(n−k) 态的“垃圾”量子比特。
• QVAE 使用基于垃圾量子比特测量结果与目标 |0⟩⊗(n−k) 之间汉明距离的损失函数进行训练，通过随机优化（同时扰动随机逼近）最小化该损失。
• 训练后的 QVAE 同时充当编码器与解码器，其中解码器 U†(θ) 从压缩表示中重建输入态。
• 通过测量其他本征态在 QVAE 上的重建保真度或损失函数值，识别其是否属于同一疤痕家族。
• 该架构采用交替层式 Ansatz，包含 Ry(θ) 旋转门与 CZ entangling 门，按棋盘图案分布在 L 层中。
• 通过输入态优化（“梦境”生成）来解释 QVAE 学习到的特征，即通过变分优化输入态以最小化损失，揭示疤痕家族的代表性模式。

实验结果

研究问题

• RQ1 在单个疤痕态上训练的 QVAE 是否能检测到共享共同结构特征的整个量子多体疤痕家族？
• RQ2 在 PXP 模型中，除已知的 Z2 和 Z3 家族外，还存在哪些新的疤痕家族？
• RQ3 QVAE 是否能检测到无序、相互作用量子体系中的动力学解耦子空间？
• RQ4 哪些物理特征（如模式计数、纠缠度等）可表征所发现的疤痕家族？
• RQ5 如何解释 QVAE 内部表示，以揭示疤痕态的潜在序参数？

主要发现

• QVAE 在 PXP 模型中成功检测到已知的 Z2 和 Z3 疤痕家族，重建损失作为疤痕成员身份的敏感指标。
• 在 N=24 的 PXP 模型中识别出五个新的量子疤痕家族（家族 #1–#5），其特征为在 Fock 态重叠中保持 Z2 和 Z3 模式的守恒计数。
• 家族 #4 由九个 Z2 模式和两个 Z3 模式组成，在 N=18、24 和 30 的系统尺寸下均保持稳定，表明其具有稳健的底层结构。
• QVAE 在具有三体阻塞的修改版 PXP 模型中成功检测到 Z2 类疤痕，证实该方法在不同约束下的普适性。
• 输入态优化（“梦境”生成）恢复出类似 Z2 的磁化模式，并在 q=π 处出现结构因子峰值，证实 QVAE 成功学习到 Z2 家族的周期性序特征。
• 该方法对每个本征态的复杂度为 O(D)，远低于精确对角化方法的 O(D³)，实现了对大规模希尔伯特空间的可扩展分析。