Tensor Cross Interpolation of Purities in Quantum Many-Body Systems

Cet article démontre que la caractéristique d'intrication, qui encode les puretés des sous-systèmes des états quantiques à plusieurs corps, peut être apprise efficacement à partir d'un nombre polynomial d'échantillons en utilisant l'algorithme d'interpolation croisée des tenseurs, permettant des applications telles que la quantification des distances de motifs d'intrication et l'optimisation de l'ordre des indices physiques.

L'essentiel

Le Grand Problème : La « Bibliothèque Infinie »

Imaginez un système quantique (comme un ensemble d'aimants minuscules ou d'atomes) comme une bibliothèque massive. Dans une bibliothèque normale, si vous voulez tout savoir sur un livre, vous le lisez. Mais dans une bibliothèque quantique, le nombre de « livres » possibles (états) croît si rapidement que si vous ajoutez seulement quelques étagères (particules), la bibliothèque devient plus grande que le nombre d'atomes dans l'univers.

Les physiciens tentent généralement de comprendre ces systèmes en examinant de petites sections spécifiques (comme « dans quelle mesure la moitié gauche est-elle intriquée avec la moitié droite ? »). Mais c'est comme essayer de comprendre un roman entier en ne lisant que la première et la dernière phrase de chaque chapitre. Vous manquez les connexions complexes du milieu.

La Solution : La « Caractéristique d'Intrication »

Les auteurs proposent une méthode ingénieuse pour stocker la « pureté » (une mesure de la façon dont un état quantique est mélangé ou pur) de chaque section possible du système.

Imaginez l'état quantique comme une immense tapisserie complexe. Habituellement, décrire chaque fil est impossible. Les auteurs suggèrent de coder l'information sur la façon dont chaque coupe possible de la tapisserie est « emmêlée » dans une seule « ombre » ou « carte de caractéristiques » spéciale. Ils appellent cela la Caractéristique d'Intrication.

De manière surprenante, même pour des états quantiques très désordonnés et complexes, cette « carte de caractéristiques » n'est pas vraiment aussi désordonnée. Elle possède souvent une structure simple et cachée, tout comme une chanson complexe peut en réalité être construite à partir d'une mélodie simple et répétitive.

L'Outil : « Interpolation Croisée de Tenseurs » (TCI)

La grande question est : Comment trouver cette structure simple sans lire toute la bibliothèque, impossible à parcourir ?

Les auteurs utilisent une technique appelée Interpolation Croisée de Tenseurs (TCI).

• L'Analogie : Imaginez que vous essayez de deviner l'intrigue d'un roman policier massif de 1 000 pages, mais que vous n'avez le droit de lire que quelques pages.
• L'Ancienne Façon : Vous lisez la page 1, puis la page 2, puis la page 3... jusqu'à la fin. Cela prend une éternité et est impossible pour des livres gigantesques.
• La Façon TCI : L'algorithme agit comme un détective surdoué. Il lit quelques pages stratégiques (pivots). Sur cette base, il devine la structure du reste. Ensuite, il vérifie sa supposition contre quelques nouvelles pages. Si la supposition est bonne, il s'arrête. Sinon, il ajuste.
• Le Résultat : Au lieu de lire 1 000 pages, le détective n'a besoin de lire qu'une poignée (un nombre polynomial) pour comprendre toute l'histoire. Le document montre que pour de nombreux systèmes quantiques, ce « détective » peut reconstruire toute la « carte de caractéristiques » en utilisant très peu d'échantillons.

Ce Qu'ils Ont Découvert

Les chercheurs ont testé cette méthode sur différents types d'« histoires » quantiques :

1. Chaos Aléatoire (États de Haar) : Ce sont comme du bruit pur. Vous pourriez penser qu'ils sont trop désordonnés pour être compressés. Cependant, les auteurs ont découvert que même pour ces états chaotiques, la « carte de caractéristiques » est étonnamment simple et facile à apprendre une fois que le système devient assez grand.
2. États Ordonnés (Loi de Surface) : Ce sont comme des bibliothèques bien organisées. Comme prévu, leurs cartes de caractéristiques sont très simples et faciles à compresser.
3. La Zone « Boucle d'Or » (Transitions de Phase) : Ils ont examiné des systèmes juste à la limite du changement de phase (comme l'eau qui se transforme en glace). Ici, la carte de caractéristiques est délicate. Parfois, elle est facile à apprendre ; d'autres fois, elle reste complexe et difficile à compresser, révélant que ces états possèdent une complexité unique et tenace.

Ce Que Vous Pouvez Faire Avec Cela

Le document démontre deux façons spécifiques d'utiliser cette « carte de caractéristiques » une fois que vous l'avez apprise :

1. Le « Test de Similarité » : Vous pouvez comparer deux états quantiques différents non seulement par la quantité d'intrication moyenne, mais en comparant leurs « cartes de caractéristiques » entières. C'est comme comparer deux personnes non seulement par leur taille, mais en comparant l'intégralité de leurs empreintes digitales. Cela aide à regrouper des états quantiques similaires et à repérer les valeurs aberrantes étranges.
2. Le « Puzzle de Réorganisation » : Imaginez que vous avez un jeu de cartes qui a été mélangé au hasard. Les connexions entre les cartes semblent chaotiques. Les auteurs montrent qu'en examinant la « carte de caractéristiques », vous pouvez déterminer l'ordre original des cartes. Si vous réorganisez les parties physiques du système quantique dans cet « ordre optimal », le chaos disparaît et le système devient beaucoup plus facile à décrire et à stocker.

Résumé

Le document introduit une nouvelle façon de « compresser » la complexité écrasante des systèmes quantiques. En traitant la pureté de toutes les sections possibles comme un objet unique et apprenable (la Caractéristique d'Intrication) et en utilisant un algorithme d'échantillonnage intelligent (TCI), ils peuvent reconstruire l'image entière à partir de quelques points de données seulement. Cela permet aux physiciens de comparer des états quantiques complexes et même de trouver le meilleur moyen de les arranger pour les rendre plus simples.

Résumé technique

Résumé technique : Interpolation croisée de tenseurs des puretés dans les systèmes quantiques à plusieurs corps

Énoncé du problème
La caractérisation complète des systèmes quantiques à plusieurs corps est fondamentalement entravée par l'échelle exponentielle de l'espace de Hilbert avec le nombre de degrés de liberté ($L$). Alors que les sondes standard se concentrent souvent sur des observables locaux ou des coupes bipartites spécifiques (par exemple, des partitions contiguës gauche/droite), une description complète nécessite la connaissance de toutes les puretés bipartites (ou entropies de Renyi) pour toutes les régions disjointes possibles. Stocker ces informations de manière naïve nécessite des ressources de l'ordre de $O(2^L)$. Bien que la « fonctionnalité d'intrication » (EF) — une fonction d'onde fictive encodant toutes les puretés comme des amplitudes — ait été proposée comme une représentation compacte, son utilité pratique pour les états quantiques généraux reste inexplorée. Plus précisément, il est incertain si l'EF pour des états complexes et fortement intriqués peut être apprise efficacement à partir d'un ensemble limité de données sans connaissance préalable de la fonction d'onde complète.

Méthodologie
Les auteurs proposent d'utiliser l'algorithme d'Interpolation Croisée de Tenseurs (TCI) pour apprendre et interpoler la fonctionnalité d'intrication.

• Fonctionnalité d'intrication (EF) : Définie comme $|EF\rangle = \sum_{b \in \{0,1\}^L} e^{-S(b)} |b\rangle$, où $S(b)$ est la seconde entropie de Renyi pour une bipartition définie par la chaîne de bits $b$. Les auteurs utilisent une « base duale » pour éliminer la redondance $Z_2$, mappant le problème sur $L-1$ spins virtuels.
• Algorithme TCI : Au lieu de calculer toutes les $2^L$ puretés et d'effectuer une balayage complet de la Décomposition en Valeurs Singulières (SVD) (ce qui est exponentiellement coûteux), le TCI sélectionne itérativement un petit sous-ensemble de chaînes de bits « pivots » (valeurs de pureté) pour construire une approximation de faible rang du tenseur complet.
• Efficacité : Si l'EF peut être représentée comme un État Produit de Matrice (MPS) avec une dimension de liaison $\chi$, le TCI ne nécessite que $O(L\chi^2)$ évaluations de pureté pour reconstruire la fonctionnalité complète. Les auteurs utilisent le package TensorCrossInterpolation.jl en « Mode II », qui augmente de manière adaptative la dimension de liaison jusqu'à ce qu'une tolérance d'erreur spécifiée soit atteinte.

Contributions et résultats clés
L'article évalue systématiquement la complexité de l'EF à travers divers états quantiques en utilisant le TCI :

1. États aléatoires de Haar :

   • Attente analytique : L'EF moyenne des états de Haar est connue pour être un MPS avec une dimension de liaison $\chi=2$.
   • Résultat numérique : Pour des réalisations individuelles de Haar, la dimension de liaison $\chi$ du TCI présente une transition dépendante de la taille. Pour de petits $L$, les fluctuations d'échantillon à échantillon de la pureté sont grandes, nécessitant un $\chi$ exponentiellement grand pour interpoler le « bruit ». À mesure que $L$ augmente, les fluctuations décroissent exponentiellement ($\sim d^{-L}$), permettant au TCI d'ignorer le bruit et de converger vers $\chi=2$.

2. États aléatoires Produit de Matrice (MPS) :

   • Insight analytique : Bien qu'une construction directe de l'EF à partir d'un MPS de dimension de liaison $\phi$ donne $\chi = \phi^4$, les auteurs soutiennent que pour de grands $\phi$, le spectre de l'EF devrait s'effondrer vers la limite de Haar ($\chi=2$).
   • Résultat numérique : L'écart entre la deuxième et la troisième valeur singulière de l'EF croît avec $\phi$, et le rapport des valeurs singulières supérieures décroît comme $\sim \phi^{-4}$, confirmant que les MPS aléatoires avec de grands $\phi$ possèdent une EF compressible.

3. États propres quantiques à plusieurs corps :
   Les auteurs appliquent le TCI aux états propres de divers Hamiltoniens 1D, identifiant trois régimes de complexité distincts :

   • États à loi de volume (de type ETH) : États propres hautement excités de modèles d'Ising chaotiques et états fondamentaux SYK. Similaires aux états de Haar, ils montrent une croissance exponentielle initiale de $\chi$ suivie d'une chute vers une valeur constante (ou lentement croissante) à grande taille de système, indiquant une compressibilité.
   • États à loi de surface : États propres hautement excités dans la phase de Localisé à Plusieurs Corps (MBL). Ceux-ci présentent une dimension de liaison $\chi$ constante et faible à travers les tailles de système, cohérente avec leur faible intrication.
   • États intermédiaires/complexes :
     • Transition MBL (MBLT) & États fondamentaux critiques : Bien que ces états aient une échelle d'intrication logarithmique, leur complexité EF varie. Les états propres MBLT montrent une augmentation exponentielle de $\chi$ avec la taille du système, suggérant que leur EF n'est pas compressible malgré l'intrication sous-loi de volume.
     • Chaînes Motzkin/Fredkin : L'EF de la chaîne Motzkin à deux couleurs croît exponentiellement, tandis que les états Motzkin et Fredrik à une couleur (sans couleur) sont appris efficacement. Cela met en évidence que l'échelle d'intrication seule ne prédit pas la compressibilité de l'EF.

Applications démontrées
L'article démontre deux applications pratiques de l'EF apprise :

1. Quantification de la distance d'intrication : Les auteurs définissent une métrique de distance entre les états basée sur la norme $L_2$ de la différence de leurs EF. En utilisant la majorisation de contraintes, ils visualisent une « carte d'intrication » où les états se regroupent selon leur structure globale de pureté (par exemple, les états à loi de volume près de Haar, les états à loi de surface près des états produits). Cela révèle des valeurs aberrantes (comme l'état Motzkin à deux couleurs) qui sont distinctes des clusters standards de loi de volume/surface.
2. Ordre spatial optimal : Les auteurs proposent un algorithme pour trouver l'ordre optimal des indices physiques afin de minimiser l'intrication bipartite. En utilisant l'EF comme « oracle de pureté » et une stratégie diviser-pour-régnner avec TTOpt (un optimiseur basé sur TCI), ils réorganisent avec succès des états MPS mélangés aléatoirement. Cela permet de retrouver une échelle de loi de surface à partir d'un comportement apparent de loi de volume, réduisant l'entropie de coupe médiane d'un facteur d'environ $3,4$ pour $L=40$.

Signification et affirmations
Les auteurs concluent que la fonctionnalité d'intrication est un cadre puissant pour caractériser les états quantiques au-delà de l'échelle d'intrication standard.

• Compressibilité : Ils démontrent que pour une large classe d'états (incluant les états propres chaotiques et les états MBL), l'EF est apprenable efficacement via le TCI, ne nécessitant que des ressources polynomiales en taille de système.
• Contenu informationnel : L'EF contient plus d'informations qu'une simple échelle d'intrication, capable de distinguer des états avec une échelle similaire mais des structures internes différentes (par exemple, MBLT vs loi de surface).
• Utilité : La méthode fournit un moyen évolutif de traiter les données provenant de simulateurs quantiques (instantanés) pour reconstruire des propriétés globales.
• Perspectives futures : L'article spécule sur des applications à la quantification de l'intrication multipartite (via log-EF et information mutuelle) et à la correction d'erreurs quantiques (identification des ensembles d'effacement correctibles), bien que ceux-ci soient présentés comme des possibilités conceptuelles plutôt que des résultats mis en œuvre. Ils suggèrent également que le TCI pourrait être adapté pour rechercher des résonances dans les phases MBL ou interpoler des observables à partir de dispositifs quantiques intermédiaires à échelle bruyante (NISQ).

Ce travail établit que la « complexité » du profil de pureté complet d'un état quantique est souvent bien inférieure à ce que la dimension de l'espace de Hilbert suggère, à condition que l'état admette une représentation MPS de faible rang de sa fonctionnalité d'intrication.