From Classical to Quantum: Extending Prometheus for Unsupervised Discovery of Phase Transitions in Three Dimensions and Quantum Systems

Diese Arbeit erweitert das Prometheus-Framework für die unüberwachte Entdeckung von Phasenübergängen auf dreidimensionale klassische und Quantensysteme, wobei sie kritische Parameter mit hoher Genauigkeit bestimmt und sogar exotische kritische Verhaltensweisen wie die unendliche Zufälligkeit in ungeordneten Quantensystemen identifiziert.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Entdecker in einer völlig unbekannten Welt. Ihre Aufgabe ist es, die Grenzen zwischen verschiedenen Landschaften zu finden: Wo endet der dichte, gefrorene Wald und wo beginnt die offene, windige Wüste? In der Physik nennen wir diese Grenzen Phasenübergänge.

Das Papier, das Sie gerade gelesen haben, stellt eine neue Art von „Entdecker-Roboter" vor, der diesen Job automatisch erledigt. Sein Name ist Prometheus.

Hier ist die Geschichte davon, was dieser Roboter kann, einfach erklärt:

1. Das alte Problem: Der Lehrer, der alles weiß

Bisher mussten Wissenschaftler ihren Computern wie einem strengen Lehrer beibringen, was sie suchen sollen. Sie sagten: „Das hier ist Eis, das hier ist Wasser." Der Computer lernte das auswendig und konnte dann neue Beispiele klassifizieren.
Das Problem: Wenn man den Computer auf eine völlig neue, unbekannte Welt schickt, weiß er nicht, wonach er suchen soll. Er kann keine neuen Entdeckungen machen, weil er nur das wiederholt, was ihm beigebracht wurde.

2. Die neue Lösung: Prometheus, der neugierige Kind

Prometheus ist anders. Er ist ein unüberwachter Lernroboter. Niemand sagt ihm, was Eis oder Wasser ist. Er bekommt nur eine riesige Menge an Daten (wie Fotos von Atomen) und muss selbst herausfinden, was sich ändert.

Stellen Sie sich Prometheus wie ein neugieriges Kind vor, das einen Haufen Spielsteine sortiert. Das Kind sieht, dass sich die Steine in zwei Gruppen aufteilen: Eine Gruppe ist rot und warm, die andere blau und kalt. Ohne dass jemand es ihm gesagt hat, merkt das Kind: „Aha! Hier gibt es eine Grenze!"

3. Der große Test: Von 2D auf 3D (Der Raum)

In früheren Experimenten hat Prometheus nur flache, zweidimensionale Welten (wie ein Schachbrett) untersucht. Das war einfach, weil man die Antworten schon kannte.
Die neue Herausforderung: Jetzt hat Prometheus in eine dreidimensionale Welt (wie ein riesiger Würfel aus Atomen) geschaut. In dieser Welt gibt es keine fertigen Antworten in einem Lehrbuch.
Das Ergebnis: Prometheus hat die Grenze zwischen den Phasen gefunden und war zu 99,99 % genau. Er hat sogar die genauen mathematischen Regeln (die „Exponenten") berechnet, die beschreiben, wie sich die Welt an der Grenze verhält. Er hat bewiesen, dass er auch in komplexen, dreidimensionalen Räumen zurechtkommt, wo keine fertigen Lösungen existieren.

4. Der große Sprung: Von Hitze zu Quanten (Die Magie)

Das war noch nicht alles. Bisher hat Prometheus nur mit „klassischer" Physik gearbeitet, also mit Dingen, die sich durch Hitze bewegen (wie schmelzendes Eis).
Die neue Herausforderung: Quantenphysik ist eine völlig andere Welt. Hier gibt es keine Hitze. Stattdessen spielen unsichtbare Quanten-Kräfte eine Rolle, die selbst bei absoluter Kälte (Null Grad) Dinge verändern. Es ist, als würde man versuchen, mit einem Werkzeug, das für Holz gedacht ist, auch Metall zu bearbeiten.
Das Ergebnis: Prometheus hat sich angepasst! Er hat eine spezielle Version (Q-VAE) entwickelt, die mit den seltsamen, unsichtbaren Quanten-Kräften umgehen kann. Er hat die Grenze gefunden, an der sich die Quanten-Materie verändert, und das mit einer Genauigkeit von 98 %.

5. Die größte Entdeckung: Das „Geister-Phänomen"

Das Spannendste kommt zum Schluss. Prometheus wurde in eine Welt geschickt, die nicht nur quantenmechanisch ist, sondern auch chaotisch und ungeordnet (wie ein Wald, in dem jeder Baum zufällig steht).
In dieser Welt gab es eine Theorie, die sagte: „Hier passiert etwas ganz Besonderes, das man noch nie gesehen hat." Es ist ein Zustand, der wie ein Geisterzug ist: Die Dinge bewegen sich nicht einfach, sondern sie „tunneln" durch Barrieren, die immer größer werden.
Das Ergebnis: Prometheus hat dieses seltsame Verhalten alleine entdeckt. Niemand hat ihm gesagt, wonach er suchen soll. Er hat gemerkt: „Hey, hier verhalten sich die Dinge anders als überall sonst!" Er hat die genauen Regeln für dieses seltsame Verhalten berechnet und bewiesen, dass die Theorie stimmt.

Zusammenfassung: Warum ist das wichtig?

Stellen Sie sich vor, Sie haben eine Landkarte, auf der nur bekannte Städte eingezeichnet sind.

• Alte Methoden (Überwachtes Lernen): Sie können nur die bekannten Städte finden. Wenn Sie eine neue Stadt entdecken, wissen Sie nicht, was sie ist.
• Prometheus (Unüberwachtes Lernen): Prometheus ist wie ein Kompass, der Ihnen sagt: „Hier ist eine Grenze, und hier ist etwas ganz Neues."

Die Botschaft des Papers:
Wir haben einen Weg gefunden, Computern beizubringen, die Natur nicht nur zu erkennen, sondern sie zu verstehen und neue Geheimnisse zu lüften – sei es in warmen, klassischen Welten oder in kalten, quantenmechanischen Räumen. Prometheus ist nicht nur ein Werkzeug zur Analyse, sondern ein echter Entdecker für die Physik des 21. Jahrhunderts.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Preprints „FROM CLASSICAL TO QUANTUM: EXTENDING PROMETHEUS FOR UNSUPERVISED DISCOVERY OF PHASE TRANSITIONS IN THREE DIMENSIONS AND QUANTUM SYSTEMS" auf Deutsch.

1. Problemstellung und Motivation

Das Hauptziel der Arbeit ist die Erweiterung des Prometheus-Frameworks, eines unüberwachten maschinellen Lernansatzes zur Entdeckung von Phasenübergängen. Während frühere Arbeiten den Ansatz erfolgreich auf das zweidimensionale (2D) Ising-Modell (mit bekannter analytischer Lösung) anwendeten, adressiert diese Studie zwei fundamentale Lücken, die für eine allgemeine Anwendbarkeit in der Physik entscheidend sind:

1. Skalierbarkeit auf höhere Dimensionen ohne exakte Lösungen: Die meisten physikalisch relevanten Systeme (wie das 3D-Ising-Modell) besitzen keine geschlossene analytische Lösung. Es muss geprüft werden, ob das Framework quantitative Größen (kritische Exponenten, Universitätsklassen) in solchen Systemen zuverlässig extrahieren kann, wo nur numerische Validierung möglich ist.
2. Generalisierung auf Quantensysteme: Klassische Phasenübergänge werden durch thermische Fluktuationen getrieben, während Quantenphasenübergänge (bei $T=0$) durch Quantenfluktuationen (Heisenberg-Unschärfe) verursacht werden. Die Frage ist, ob das gleiche Variational Autoencoder (VAE)-Prinzip über diesen physikalischen Graben hinweg funktioniert, insbesondere bei komplexwertigen Wellenfunktionen.

Ein weiterer kritischer Aspekt ist die Fähigkeit des Systems, nicht nur kritische Punkte zu lokalisieren, sondern auch exotische kritische Verhaltensweisen (wie die unendliche Zufälligkeit in gestörten Systemen) zu identifizieren, ohne dass vorab bekannt ist, wonach gesucht wird.

2. Methodik: Das erweiterte Prometheus-Framework

Der Kernansatz basiert auf Variational Autoencodern (VAEs), die Spin-Konfigurationen oder Wellenfunktionen in einen niedrigdimensionalen latenten Raum komprimieren. Das fundamentale Prinzip bleibt unverändert: Der VAE lernt, die dominanten Variationen in den Daten zu identifizieren. Nahe einem Phasenübergang ist die Ordnungsparameter-Variation dominant und wird daher von der latenten Darstellung erfasst.

A. Architektur-Anpassungen

• 3D Klassische Systeme (3D Ising-Modell):
  • Es wird eine 3D-Convolutional VAE-Architektur entwickelt, die volumetrische Spin-Konfigurationen auf Gittern bis zu $L=32$ verarbeitet.
  • Der Encoder nutzt 3D-Faltungsschichten, um lokale Spin-Korrelationen und Domänenwände effizient zu erfassen.
  • Die Ausgabe ist eine latente Repräsentation $z \in \mathbb{R}^{z_{dim}}$, wobei die Dimension mit der größten Varianz dem Ordnungsparameter entspricht.
• Quantensysteme (Transverses Feld Ising-Modell - TFIM):
  • Da Quantenzustände $|\psi\rangle$ komplexwertig sind, werden sie als reelle Vektoren $[\text{Re}(c), \text{Im}(c)]$ dargestellt.
  • Es wird eine Quanten-bewusste VAE (Q-VAE) mit vollvernetzten Schichten (Fully Connected) verwendet, da Quantenverschränkung nicht-lokale Korrelationen erzeugt, die Faltungsschichten nicht effizient abbilden können.
  • Verlustfunktion: Statt eines einfachen Rekonstruktionsfehlers (MSE) wird eine Fidelity-basierte Verlustfunktion verwendet: $\mathcal{L}_{quantum} = (1 - |\langle \psi | \psi_{recon} \rangle|^2) + \beta D_{KL}$. Dies berücksichtigt die Phaseninvarianz quantenmechanischer Zustände.

B. Extraktionsmethoden

• Ordnungsparameter-Entdeckung: Identifikation der latenten Dimension mit der höchsten Varianz über den Kontrollparameter (Temperatur $T$ oder Feld $h$).
• Kritische Punkte: Ensemble-Methode aus latenten Suszeptibilitäten, Rekonstruktionsfehlern, Gradientenmaxima und Binder-Kumulant-Kreuzungen.
• Kritische Exponenten: Finite-Size-Scaling-Analyse durch Daten-Collapse (Data Collapse) zur Extraktion von $\beta, \gamma, \nu, \eta$.
• Universitätsklassen: $\chi^2$-Vergleich der extrahierten Exponenten mit theoretischen Werten bekannter Klassen.
• Aktivierte Skalierung (Disordered TFIM): Spezielle Analyse zur Unterscheidung zwischen konventioneller Potenzgesetz-Skalierung ($\xi \sim |h-h_c|^{-\nu}$) und aktivierter dynamischer Skalierung ($\ln \xi \sim |h-h_c|^{-\psi}$), charakteristisch für den Infinite-Randomness Fixed Point (IRFP).

3. Schlüsselbeiträge und Ergebnisse

A. 3D Klassisches Ising-Modell

• Kritische Temperatur: Die Detektion von $T_c$ erreichte eine Genauigkeit von 0,01 % ($T_c/J = 4.511 \pm 0.005$) im Vergleich zum Literaturwert ($4.5115$).
• Ordnungsparameter: Die Korrelation zwischen dem entdeckten latenten Parameter und der physikalischen Magnetisierung betrug $r = 0.997$.
• Kritische Exponenten: Die extrahierten Exponenten ($\beta, \gamma, \nu, \eta$) erreichten eine durchschnittliche Genauigkeit von ≥70 % im Vergleich zu Literaturwerten.
• Universitätsklasse: Der $\chi^2$-Test identifizierte korrekt die 3D-Ising-Klasse ($p=0.72$) und lehnte andere Klassen (Mean-Field, 2D-Ising, etc.) ab.
• Bedeutung: Das Framework funktioniert präzise in Systemen, für die keine analytischen Lösungen existieren.

B. Sauberes Quantensystem (Clean TFIM)

• Kritischer Punkt: Der Quanten-kritische Punkt wurde mit 2 % Genauigkeit ($h_c/J = 1.00 \pm 0.02$) gegenüber dem exakten Wert ($1.0$) bestimmt.
• Ordnungsparameter: Entdeckung der Grundzustands-Magnetisierung mit $r = 0.97$.
• Exponenten: Alle extrahierten Quanten-Exponenten lagen innerhalb einer Standardabweichung der exakten Werte ($\nu=1, z=1, \beta=1/8$).
• Bedeutung: Das Framework generalisiert erfolgreich von thermischen zu Quanten-Phasenübergängen trotz fundamentaler physikalischer Unterschiede.

C. Gestörtes Quantensystem (Disordered TFIM) – Der Durchbruch

Dies ist das signifikanteste Ergebnis der Arbeit:

• Entdeckung der Infinite-Randomness Criticality: Das Framework detektierte automatisch das exotische Verhalten des Infinite-Randomness Fixed Point (IRFP) in gestörten Systemen.
• Aktivierte Skalierung: Anstelle eines Potenzgesetzes wurde die aktivierende Skalierung $\ln \xi \sim |h-h_c|^{-\psi}$ identifiziert.
• Tunnel-Exponent: Der extrahierte Exponent $\psi = 0.48 \pm 0.08$ stimmt hervorragend mit der theoretischen Vorhersage $\psi = 0.5$ überein.
• Statistische Evidenz: Ein Vergleich der Modelle ergab $\Delta \chi^2 = 12.3$ ($p < 0.001$), was stark für die aktivierende Skalierung spricht.
• Bedeutung: Dies ist der erste Nachweis, dass unüberwachtes Lernen qualitativ unterschiedliche Arten von kritischem Verhalten (nicht nur die Lage des Übergangs) identifizieren kann, ohne dass die funktionale Form vorher bekannt war.

4. Signifikanz und Implikationen

Die Arbeit demonstriert, dass unüberwachtes maschinelles Lernen (speziell VAEs) ein leistungsfähiges Werkzeug für die physikalische Entdeckung ist:

1. Generalisierung: Das Framework funktioniert konsistent über verschiedene physikalische Domänen hinweg (2D/3D klassisch, saubere/gestörte Quantensysteme).
2. Entdeckungsfähigkeit: Es geht über reine Mustererkennung hinaus. Das System kann Hypothesen generieren (z. B. das Vorhandensein aktivierter Skalierung) und exotische Phänomene entdecken, die in der Trainingsdatenmenge nicht explizit kodiert waren.
3. Automatisierung: Der Ansatz ermöglicht die Kartierung von Phasendiagrammen ohne manuelle Eingriffe oder Vorwissen über die Phasenstruktur, was ihn ideal für die Untersuchung komplexer Materialien (frustrierte Magnete, topologische Phasen) macht, wo herkömmliche Methoden an Grenzen stoßen.
4. Informationstheoretische Grundlage: Der Erfolg stützt die These, dass Phasenübergänge durch dominante Variationen in den Daten charakterisiert sind, die durch Kompression (VAE) automatisch identifiziert werden, unabhängig davon, ob die Fluktuationen thermisch oder quantenmechanisch sind.

Zusammenfassend etabliert diese Arbeit einen systematischen Validierungsweg von analytisch lösbaren Systemen hin zu komplexen, unlösbaren Quantensystemen und positioniert unüberwachtes Lernen als echten Entdeckungsmotor für die moderne Physik.