Spectral form factor of quadratic $R$-para-particle SYK model with Random Matrix Coupling

Résumé technique : Facteur de forme spectral du modèle SYK à para-particules R quadratique avec couplage de matrices aléatoires

Énoncé du problème
Le modèle de Sachdev-Ye-Kitaev (SYK) est un système paradigmatique pour l'étude du chaos quantique, des trous noirs et de l'holographie, généralement défini par des fermions avec des interactions aléatoires à $q$-corps. Bien que le modèle SYK $q=2$ (quadratique) soit exactement soluble, ses propriétés spectrales sont souvent considérées comme triviales, à moins que le désordre n'induise un comportement chaotique dans le facteur de forme spectral (SFF). Cet article étudie le SFF d'un modèle SYK quadratique généralisé ($R$-PSYK2) construit à l'aide de para-particules $R$. Ces particules obéissent à des statistiques d'échange généralisées définies par une matrice $R$ satisfaisant l'équation de Yang-Baxter, interpolant entre les bosons et les fermions standards.

Le principal défi abordé est l'absence de vérification numérique directe du comportement de rampe exponentielle dans le SFF du modèle $R$-PSYK2 avec des couplages de l'Ensemble Unitaire Gaussien (GUE). Des travaux antérieurs ont suggéré une croissance exponentielle $K(t) \sim e^{C_0 t}$ dans le régime de temps intermédiaire, mais les simulations numériques étaient entravées par des termes oscillatoires et l'exigence de tailles de système extrêmement grandes ($N$). Le comportement de ce modèle sous d'autres ensembles de matrices aléatoires — spécifiquement l'Ensemble Orthogonal Gaussien (GOE), l'Ensemble Symplectique Gaussien (GSE) et leurs homologues circulaires (COE, CUE, CSE) — est resté inexploré.

Méthodologie
Les auteurs emploient une combinaison de techniques analytiques de la théorie des matrices aléatoires et de vérification numérique :

1. Formulation du modèle : L'Hamiltonien est défini par $H = \sum_{a,i,j} (h_{ij} - \mu \delta_{ij}) \psi^+_{i,a} \psi^-_{j,a}$, où $h_{ij}$ sont des matrices aléatoires tirées de spectres spécifiques. Le système est diagonalisé via une transformation unitaire, réduisant le problème à une collection de particules non interagissantes dont les énergies sont déterminées par les valeurs propres de la matrice de couplage.
2. Fonction de partition et SFF : La fonction de partition du grand canonique et le SFF sont exprimés en termes de la dégénérescence $d_n$ de l'espace de Hilbert à $n$ particules, qui est encodée dans la fonction de partition à mode unique $z_R(x)$. Les auteurs se concentrent sur deux cas spécifiques de para-fermions $R$ : l'Exemple A ($z_R(x) = 1 + mx$) et l'Exemple B ($z_R(x) = 1 + mx + x^2$).
3. Ensembles Gaussiens (GUE, GSE, GOE) :
   • Approche par états cohérents : Utilisée pour le comportement à temps précoce et la hauteur du plateau, mais notée comme incapable de capturer la rampe intermédiaire.
   • Approche par fonction de grappe (Cluster Function) : Utilisée pour dériver le comportement de la rampe. Pour le GUE, cela implique l'expansion de la distribution de probabilité jointe des valeurs propres et l'évaluation des traces des matrices de transfert.
   • Formulations par déterminant/Pfaffien : Le SFF est exprimé comme le déterminant (pour le GUE) ou la racine carrée du déterminant (pour le GSE) d'une matrice $\alpha$ construite à partir d'intégrales impliquant la distribution d'énergie à particule unique.
   • Défis du GOE : Les auteurs notent que le cas GOE implique des doubles intégrales et des fonctions noyaux non analytiques, rendant le traitement analytique nettement plus difficile que pour le GUE ou le GSE.
4. Ensembles Circulaires (CUE, CSE, COE) :
   • Les auteurs utilisent la solvabilité exacte des ensembles circulaires, où le noyau peut être développé en séries de Fourier discrètes.
   • Le SFF est dérivé en utilisant un formalisme de matrice de transfert, où le résultat exact est exprimé comme une somme sur les classes de conjugaison des permutations.
   • Une étape méthodologique clé est la comparaison entre les ensembles gaussiens et circulaires. Puisque le CUE et le GUE partagent les mêmes fonctions de grappe dans la limite $N$ grande, les auteurs utilisent les résultats du CUE comme référence pour vérifier les prédictions du GUE.

Résultats clés

• Correspondance GUE et CUE : Pour l'Exemple A ($z_R(x) = 1 + mx$), les auteurs dérivent une correspondance analytique exacte entre les résultats GUE et CUE. Ils établissent une correspondance précise dans le régime temporel $1 \ll t \ll N$ :
  $$K_{\text{GUE}}(2t) \approx K_{\text{CUE}}(t)$$
  Ce facteur d'échelle de temps aligne le moment où les deux modèles atteignent le plateau. Le taux de croissance $C_0$ pour le GUE est montré comme étant exactement la moitié du taux de croissance de la rampe CUE dans la limite $N$ grande ($2\lambda_{\text{GUE}} = \lambda_{\text{CUE}}$).
• Taux de croissance ($C_0$) :
  • Pour l'Exemple A, $C_0$ est dérivé analytiquement. Pour $m > 1$, $C_0 = \frac{1}{2} \ln(\frac{m^2}{m^2-1})$. Pour $m=1$, $C_0 \sim \frac{1}{2} \ln N$.
  • Pour l'Exemple B, les solutions analytiques sont insaisissables. Les simulations numériques suggèrent que $C_0$ converge vers des constantes pour $m \ge 3$, tandis que les cas $m=1, 2$ présentent des comportements de mise à l'échelle différents.
• Ensembles Symplectiques (GSE/CSE) : Les auteurs observent un comportement similaire entre le GSE et le CSE après un redimensionnement temporel approprié ($t_S \approx 1.36N$ pour le GSE). Les données numériques du CSE confirment une transition de pente et des taux de croissance cohérents avec l'analogie GUE/CUE, bien que la dérivation analytique pour la rampe soit plus complexe en raison de la nature matricielle du noyau GSE.
• Ensembles Orthogonaux (GOE/COE) :
  • GOE : L'article expose la méthode de calcul mais ne fournit pas de résultats numériques en raison de la complexité du noyau à double intégrale et de l'absence de solution analytique pour la rampe.
  • COE : La méthode de calcul est esquissée en utilisant un noyau de matrice similaire au CSE, mais les résultats numériques sont omis.
• Cas non-hermitien : Les auteurs considèrent brièvement le cas où les valeurs propres sont complexes ($\epsilon_j = e^{i\theta_j}$), trouvant que le SFF devient indépendant du temps (trivial), contrastant avec le cas hermitien où $\epsilon_j = \theta_j$.

Signification et revendications
L'article prétend fournir un cadre unifié pour comprendre le chaos quantique dans les modèles quadratiques avec des statistiques généralisées (para-particules $R$). Ses principales contributions sont :

1. Référencement (Benchmarking) : En établissant la correspondance exacte $K_{\text{GUE}}(2t) \approx K_{\text{CUE}}(t)$, les auteurs fournissent un point de référence rigoureux pour les résultats GUE, surmontant les limitations de la simulation numérique directe qui ne parvenait pas à détecter clairement la rampe à cause des oscillations et des effets de taille finie.
2. Généralisation : Le travail étend l'étude des modèles SYK quadratiques des fermions standards aux para-particules $R$, et des couplages GUE à tous les trois ensembles gaussiens et trois circulaires.
3. Aperçu méthodologique : L'article démontre que l'approche des ensembles circulaires est un outil puissant pour dériver des résultats exacts qui servent de substituts pour les ensembles gausiens plus complexes, particulièrement dans le régime de temps intermédiaire où se produit la rampe chaotique.
4. Portée modeste : Les auteurs déclarent explicitement qu'ils ne résolvent pas le cas interactif ($q>2$) ni ne proposent de protocoles expérimentaux. Au lieu de cela, ils se concentrent sur le cas quadratique pour isoler les caractéristiques essentielles du chaos induit par le désordre et les statistiques généralisées, suggérant que la simplification du modèle (par exemple, en utilisant des opérateurs commutants ou des distributions spectrales spécifiques) est une voie fructueuse pour la recherche future sur les systèmes chaotiques en interaction.

L'article conclut que, bien que les ensembles orthogonaux présentent des obstacles techniques importants, l'approche des ensembles circulaires valide avec succès le comportement chaotique (rampe et plateau) du modèle $R$-PSYK2, confirmant que la rampe exponentielle est une caractéristique robuste de ces systèmes quadratiques généralisés.