Information in Many-body Eigenstates: A Question of Learnability

Sintesi Tecnica: Informazione negli Autostati di Molti Corpi: Una Questione di Apprendibilità

Enunciato del Problema
Il lavoro affronta una domanda fondamentale nella fisica quantistica dei molti corpi: in che misura i singoli autostati codificano informazioni sul loro Hamiltoniano sottostante, e come dipende questo contenuto informativo dalla posizione spettrale dell'autostato? Sebbene sia stabilito che gli autostati a bassa energia esibiscono una forte struttura (ad esempio, località, entanglement vincolato) e che gli autostati a metà spettro sono spesso pseudo-casuali (coerenti con la Teoria delle Matrici Casuali e l'Ipotesi di Termalizzazione degli Autostati), è mancata una misura quantitativa della differenza informativa tra questi regimi. Gli autori propongono che la capacità di ricostruire i parametri dell'Hamiltoniano a partire dagli autostati serva come una nuova sonda di questo contenuto informativo.

Metodologia
Gli autori introducono un framework di apprendimento automatico (ML) per quantificare la "apprendibilità", definita come la precisione con cui i parametri dell'Hamiltoniano possono essere ricostruiti da un singolo o da un sottoinsieme di autostati utilizzando un'architettura di rete neurale fissa.

1. Sistema Modello: Lo studio si concentra su una famiglia di catene unidimensionali locali di spin-1/2 ($L=6$) descritte da un Hamiltoniano $\hat{H}_{J_1, J_2}$ con accoppiamenti tra primi vicini ($J_1$) e secondi vicini ($J_2$), soggetti a condizioni al contorno periodiche e campi magnetici locali. I parametri sono ridotti a un vettore latente $\theta = (J_1, J_2)$, con $J_2$ fissato nell'analisi principale e $J_1$ variato.
2. Architettura di Rete: Viene impiegato un autoencoder non supervisionato:
   • Codificatore: Un multistrato perceptron (MLP) punto per punto che prende in input una matrice di $M$ autostati ($\Psi_\theta \in \mathbb{R}^{D \times M}$) e li mappa in una rappresentazione latente $\tilde{\theta}$ (i parametri inferiti).
   • Decodificatore: Un modulo privo di parametri che costruisce l'Hamiltoniano $\hat{H}_{\tilde{\theta}}$ dai parametri inferiti $\tilde{\theta}$ utilizzando una base fissa di operatori.
3. Funzione di Perdita: Per evitare i divieti computazionali della diagonalizzazione ripetuta e la necessità di parametri etichettati durante l'addestramento, gli autori utilizzano una perdita di Rayleigh ($L_{Rayleigh}$) ispirata alla fisica. Questa perdita misura la deviazione dell'Hamiltoniano ricostruito $\hat{H}_{\tilde{\theta}}$ dalla diagonalità nella base degli autostati in input $\Psi_\theta$. Penalizza gli elementi fuori diagonale e le discrepanze spettrali senza richiedere l'accesso ai veri parametri $\theta$ durante l'ottimizzazione.
4. Protocolli: Lo studio valuta l'apprendibilità sotto tre protocolli di selezione:
   • Scansione a singolo stato: Utilizzando un singolo autostato ($M=1$) scandito attraverso l'intero spettro.
   • Protocollo a bassa energia: Utilizzando i primi $M$ autostati.
   • Protocollo a metà spettro: Utilizzando $M$ autostati consecutivi centrati attorno all'energia media.

Risultati Chiave
Lo studio dimostra una netta distinzione nell'apprendibilità basata sulla posizione spettrale:

• Dipendenza Spettrale: Gli autostati vicini ai bordi spettrali (bassa energia) permettono una ricostruzione altamente accurata dei parametri dell'Hamiltoniano. Al contrario, gli autostati a metà dello spettro producono una scarsa accuratezza di ricostruzione, anche con grandi insiemi di addestramento.
• Ricostruzione a Singolo Stato: Quando si utilizza un singolo autostato ($M=1$), l'errore di ricostruzione rimane basso per gli stati a bassa energia ma si satura rapidamente per gli stati a metà spettro, indipendentemente dalla larghezza dello strato nascosto ($w_H$) o dal numero di campioni di addestramento ($N_{sam}$).
• Effetto della Quantità di Dati: Aumentare il numero di autostati in input ($M$) migliora significativamente la ricostruzione per gli stati a bassa energia. Tuttavia, per gli stati a metà spettro, la ricostruzione diventa accurata solo quando $M$ si avvicina a metà dello spettro ($M \to D/2$), indicando che l'informazione locale è soppressa nel bulk altamente entangled.
• Capacità della Rete: Aumentare la capacità del modello (larghezza dello strato nascosto) migliora la convergenza per gli stati ai bordi ma non riesce a rimediare alla mancanza di informazione negli stati a metà spettro. Questo conferma che il fallimento nell'apprendere dagli stati del bulk è dovuto a proprietà intrinseche degli autostati (la loro natura pseudo-casuale) piuttosto che a limitazioni dell'espressività della rete neurale.
• Generalizzazione: Sebbene la rete possa ricostruire accuratamente i parametri all'interno del dominio di addestramento, fatica a generalizzare a intervalli di parametri esclusi, suggerendo che l'apprendibilità e la generalizzazione sono sfide distinte.

Significato e Affermazioni
Il lavoro afferma di stabilire l'apprendibilità come una nuova, alternativa diagnostica di teoria dell'informazione per i sistemi quantistici a molti corpi. I suoi contributi principali sono:

1. Sonda Quantitativa: Fornisce un metodo sistematico, agnostico rispetto al modello, per misurare come l'informazione è distribuita attraverso lo spettro energetico, collegando direttamente la posizione spettrale alla fattibilità della ricostruzione dell'Hamiltoniano.
2. Validazione dell'Intuizione Fisica: I risultati confermano quantitativamente l'aspettativa teorica secondo cui gli stati a bassa energia preservano l'informazione strutturale (accoppiamenti locali) mentre gli stati a metà spettro cancellano efficacemente questa informazione, diventando indistinguibili da vettori casuali.
3. Cambiamento nel Ruolo del ML: Il lavoro riformula l'apprendimento automatico da uno strumento puramente computazionale per la risoluzione di problemi inversi a una sonda concettuale della struttura fisica. Dimostra che l'"apprendibilità" di un sistema è dettata dalla fisica sottostante degli stati stessi, specificamente dalle loro proprietà di entanglement e correlazione.

Gli autori concludono che la fattibilità dell'estrazione della struttura dell'Hamiltoniano non è uniforme attraverso lo spettro, ma è fondamentalmente limitata dalla transizione da stati strutturati a bassa entanglement a stati termici, pseudo-casuali nel bulk.