跳到主要内容
返回时间线
arXiv来源发表:

基础张量网络从哈密顿量直接生成基态:50万次无序实现给出玻璃转变临界参数

核心概要

无序量子系统每换一次无序实现就要重算一次基态,使临界现象研究长期受制于两层平均。基础张量网络(FTN)用Transformer从哈密顿量的图嵌入直接生成基态的投影纠缠对态表示,把优化工作摊销到整个哈密顿量分布上;配合GridBP与副本矩生成函数,单样本生成、微调并测量重叠参量可在三秒内完成,并在50万次无序实现上通过有限尺寸标定得到量子Edwards-Anderson模型的临界参数。

Source-provided article image: Foundation Tensor Networks Generalize Across Quantum Lattice Systems
arXiv

深度剖析

无序量子晶格系统的基态不再需要逐次求解:一个在哈密顿量分布上训练好的模型,可以直接为新的无序实现输出基态波函数。 此前神经量子态虽已能作为跨哈密顿量的基础模型,但仍需大量采样才能估计可观测量;张量网络虽可确定性地做张量收缩,却要为每个无序实现单独寻找基态。 在二维方晶格、开放边界条件的横场量子Ising自旋玻璃(EA-TFQIM)上,直接由推理生成的基态在几乎所有情形下精度不低于简单更新虚时演化,且速度更快。

波函数以投影纠缠对态(PEPS,一种按晶格拓扑排布张量核心的网络态)的形式给出,可观测量由张量收缩直接算出,不再依赖从玻恩分布抽样。 生成端是一个Transformer:每个格点的局域耦合、横场与位置被编码成词元,经若干Transformer块得到隐状态,再由多层感知机读出为张量核心。 训练按系统尺寸做迁移学习,所有尺寸共用同一架构,整个训练在单块Nvidia A100 GPU上约数小时完成;与精确对角化和DMRG结果做了对照。

能量期望值的计算被压缩到两次张量收缩,重叠参量的逐样本计算被压缩到一次收缩,使大规模无序平均在算力上可行。 常规做法要么构造投影纠缠对算符而抬高键维数,要么逐项计算而使代价随格点数平方增长;重叠参量若逐对格点计算则需要平方量级的收缩。 GridBP基于迭代的一维信念传播并缓存消息,代价等同于双层PEPS的两次收缩;副本矩生成函数借助Hessian-向量积把重叠参量化为一次自动微分求值。

启示与展望

演示范围是二维方晶格、开放边界条件下的横场量子Ising自旋玻璃,耦合取零均值单位方差的高斯独立同分布,键维数为固定值并带收缩截断;临界参数由有限尺寸标定拟合得到,并给出自助法置信区间。

临界参数的估计与文献结果相符并有所细化,而文献本身带有显著不确定性;推理后的能量优化未显著改善结果,说明给定键维数下PEPS输出已接近最优,但这一判断限于所测的键维数与系统尺寸。