Estimation of the reduced density matrix and entanglement entropies using autoregressive networks

ملخص تقني: تقدير مصفوفة الكثافة المختزلة وعنصروات التشابك باستخدام الشبكات ذاتية الانحدار

بيان المشكلة
يتطلب قياس التشابك الكمي في الأنظمة متعددة الأجسام عادةً حساب مصفوفة الكثافة المختزلة ($\rho_A$) لنظام فرعي $A$. وبينما يمكن لطرق مثل "خدعة النسخ" (replica trick) المدمجة مع مونت كارلو الكمي (QMC) تقدير أنتروبيا ريني للتشابك، إلا أنها غالباً ما تفشل في توفير وصول مباشر إلى أنتروبيا فون نيومان أو الطيف الكامل لـ $\rho_A$. كما أن حجم مصفوفة الكثافة المختزلة ينمو بشكل أسي مع حجم النظام الفرعي، مما يجعل التقطيع الدقيق (exact diagonalization) غير ممكن للأنظمة الكبيرة. وتستخدم مناهج التعلم الآلي الحالية، مثل الشبكات ذاتية الانحدار المتغيرة (VAN)، لتقدير دالات التجزئة لأنظمة النسخ، لكنها لا تعطي بشكل مباشر عناصر المصفوفة $\rho_A$ المطلوبة لتحليل شامل للتشابك.

المنهجية
يقترح المؤلفون طريقة لتقدير عناصر مصفوفة الكثافة المختزلة مباشرة باستخدام هرم من الشبكات العصبية ذاتية الانحدار (HAN) مدمجة مع أخذ العينات الهامة العصبية (NIS). تعتمد هذه الطريقة على صياغة تكامل المسار، والتي تربط سلسلة إيسينج المستعرضة الكمية أحادية البعد بنموذج إيسينج كلاسيكي ثنائي الأبعاد غير متماثل في اتجاهات مختلفة على شبكة $L \times (m+1)$، حيث تمثل $L$ عدد الدورات (spins) و $m$ ترتبط بدرجة الحرارة العكسية $\beta$ عبر الخطوة الزمنية $\Delta\tau$.

1. الرسم والتقطيع: يتم التعبير عن عناصر مصفوفة الكثافة الكمية $\rho_{\mu\nu}(\beta)$ كنسب من دالات التجزئة في النظام الكلاسيكي ثنائي الأبعاد. وللحصول على مصفوفة الكثافة المختزلة $\rho_A$، يتم تثبيت الدورات الخاصة بالنظام الفرعي $A$ (المؤشرات $\mu_A, \nu_A$) في الصفين الأول والأخير من الشبكة ثنائية الأبعاد، بينما يتم الجمع فوق الدورات المتبقية (النظام الفرعي $B$ وداخل الشبكة).
2. الشبكات ذاتية الانحدار الهرمية (HAN): بدلاً من استخدام شبكة واحدة، يستخدم المؤلفون هرمًا من الشبكات لنمذجة الاحتمالات الشرطية لتكوينات الدورات. يتم تحسين ترتيب أخذ العينات:
   • يتم أخذ عينات الدورات المقابلة للشروط الحدودية الثابتة للنظام الفرعي $A$ أولاً.
   • يتم توليد الدورات المتبقية هرمياً، مع استغلال خاصية ماركوف ونظرية هامرسلي-كليفورد. يتم تقسيم داخل الشبكة إلى حلقات ومربعات، مع تدريب شبكات محددة لأخذ عينات الدورات بناءً على جيرانها الثابتين المباشرين (على سبيل المثال، أخذ عينات الدورات "الداخلية" بناءً على حدود الحلقة).
3. أخذ العينات الهامة العصبية (NIS): لحساب مجموعات دالة التجزئة المطلوبة لـ $\rho_A$، يستخدم المؤلفون تقنية NIS. تُقدر دالة التجزئة $Z_{\mu_A, \nu_A}$ كقيمة متوقعة لأوزان الأهمية $\hat{w} = e^{-\tilde{E}(s)} / q_\theta(s)$، حيث $q_\theta$ هو توزيع الاحتمالية الذي تنمذجه الـ HAN المدربة.
4. التدريب الموحد: يتم تدريب هرم واحد من الشبكات لتقريب الاحتمالات الشرطية لجميع مجموعات $\mu_A$ و $\nu_A$ في آن واحد. يتم توليد بيانات التدريب عن طريق سحب $\mu_A$ و $\nu_A$ من توزيع منتظم وأخذ عينات لبقية التكوين باستخدام الشبكة نفسها (التدريب الخلفي).

المساهمات الرئيسية

• التقدير المباشر لعنصر المصفوفة: على عكس النهج التوليدية السابقة التي ركزت على دالات التجزئة لأنظمة النسخ، تقوم هذه الطة بتقدير عناصر مصفوفة الكثافة المختزلة الفردية صراحةً. وهذا يسمح بحساب القيم الذاتية وبالتالي كل من أنتروبيا فون نيومان وأنتروبيا ريني من نموذج مدرب واحد.
• بنية فعالة: يسمح استخدام بنية الشبكة الهرمية بتدريب أسرع وكفاءة أعلى مقارنة بشبكات VAN القياسية من خلال استغلال الارتباطات المحلية في نموذج إيسينج.
• الاستقراء إلى المتصل والصفر المطلق: يوضح المؤلفون إجراءً لاستقراء النتائج إلى حد المتصل ($\Delta\tau \to 0$) والصفر المطلق ($\beta \to \infty$) عن طريق تغيير أبعاد الشبكة ومعلمات التقطيع الزمني.

النتائج
طُبقت الطريقة على نموذج إيسينج المستعرض أحادي البعد الحرج ($J=h=1$) مع $L=32$ دورة.

• مصفوفة الكثافة المختزلة: نجح المؤلفون في تقدير مصفوفة الكثافة المختزلة $32 \times 32$ لنظام فرعي حجمه $l=5$. أظهرت المصفوفة التماثلات المتوقعة (التماثل الهرمي و $Z_2$).
• القيم الذاتية: كشف تحليل القيم الذاتية للمصفوفة المقدرة أن أكبر 6 قيم ذاتية فقط كانت غير صفرية ضمن هوامش الخطأ، مع تناقص قيمها بشكل أسي تقريباً.
• أنتروبيا التشابك:
  • أنتروبيا فون نيومان: أظهر الاستقراء لأنتروبيا فون نيومان للحالة الأرضية لمختلف أحجام الأنظمة الفرعية $l$ توافقاً ممتازاً مع تنبؤات نظرية المجاليات المتقاربة (CFT)، مع قيمة $\chi^2$ لكل درجة حرية بلغت 0.3.
  • أنتروبيا ريني: كانت النتائج لـ $n \ge 2$ متسقة أيضاً مع أشكال قياس CFT، رغم أن تأثيرات الحجم المحدود كانت أكثر وضوحاً للأحجام الصغيرة $l$.
• القابلية للتوسع: تعاملت الطريقة بنجاح مع أنظمة فرعية تصل إلى $l=5$ (تتطلب تقدير $2^{2l} = 1024$ عنصراً للمصفوفة) باستخدام عملية تدريب واحدة لمعلمات التقطيع الثابتة.

الأهمية والادعاءات
يزعم البحث أن هذه البنية توفر نهجاً عالمياً لتقدير مصفوفات الكثافة المختزلة وأنتروبيا التشابك لسلاسل الدورات، وهي قابلة للتطبيق على الأنظمة ذات العيوب وعند درجات حرارة غير صفرية. وتتمثل الميزة الأساسية المذكورة في القدرة على حساب مصفوفة الكثافة المختزلة الكاملة (وبالتالي عدة مقاييس للتشابك) من خلال عملية تدريب واحدة، مما يتجنب الحاجة إلى عمليات محاكاة منفصلة لعناصر المصفوفة المختلفة أو أنظمة النسخ.

يشير المؤلفون بتواضع إلى أن الطريقة الحالية محدودة بالنمو الأسي لحجم مصفوفة الكثافة المختزلة مع حجم النظام الفرعي $l$، مما يقيد تطبيقها العملي للأحجام الصغيرة (حتى $l=5$ في هذه الدراسة). كما حددوا أن التوسع مع الحجم الكلي للنظام $L$ هو العائق الرئيسي للتطوير المستقبلي، مشيرين إلى ضرورة وجود تحسينات هيكلية إضافية للتعامل مع أنظمة أكبر. ويعتبر هذا العمل بمثابة إثبات لمفهوم قدرة الشبكات ذاتية الاندرار على سد الفجوة بين المحاكاة الإحصائية الكلاسيكية وتوصيف التشابك الكمي المباشر.