Machine Learning Topological Order from Defect Partition Functions

Sintesi Tecnica: Apprendimento del Ordine Topologico tramite Machine Learning da Funzioni di Partizione di Difetti

Problema
Il saggio affronta la sfida di estrarre l'ordine topologico e le funzioni d'onda dello stato fondamentale di una teoria di campo quantistico topologico (TQFT) in (2+1) dimensioni direttamente dalla meccanica statistica critica di un modello reticolare in (1+1) dimensioni. Nello specifico, si concentra sulla TQFT di Ising, che descrive anyoni non abeliani ed è duale alla teoria di gauge reticolare $\mathbb{Z}_2$ in (2+1) dimensioni. Sebbene i metodi Monte Carlo abbiano fatto progressi nella teoria di gauge reticolare, essi affrontano sfide come il problema del segno. Viceversa, gli stati quantistici a reti neurali (NNQS), in particolare le Macchine di Boltzmann Limitate (RBM), sono stati utilizzati per trovare gli stati fondamentali di modelli di spin. Tuttavia, gli approcci esistenti spesso faticano con la lenta convergenza del gradiente all'aumentare della dimensione del reticolo e incontrano difficoltà nell'apprendere parametri complessi richiesti dalle fasi topologiche chirali. Inoltre, una via diretta, basata sui dati, dalle funzioni di partizione reticolari alle funzioni d'onda della TQFT e ai dati modulari (come la matrice S) non è stata ancora pienamente stabilita.

Metodologia
Gli autori propongono un framework che scinde l'apprendimento delle ampiezze della funzione d'onda dalle fasi, concentrandosi innanzitutto sulle ampiezze derivate dal modello di Ising critico su un toro. La metodologia procede in tre fasi principali:

1. Funzioni di Partizione di Difetto sul Toro:
   Gli autori considerano il modello di Ising 2D su un toro con condizioni al contorno periodiche. Introducono linee di difetto topologico (specificamente difetti di inversione di spin $\mathbb{Z}_2$ e difetti di dualità di Kramers-Wannier) lungo i cicli non contrattili $a$ e $b$. Questi difetti corrispondono all'inserimento di specifici settori topologici (etichettati dai primari conformi $1, \psi, \sigma$) nella funzione di partizione. Le funzioni di partizione per questi settori ($Z^{\text{defect}}$) sono computate tramite simulazioni Monte Carlo al punto di accoppiamento critico $K_c$.

2. Addestramento RBM e Costruzione della Funzione d'Onda:
   Le Macchine di Boltzmann Limitate (RBM) vengono addestrate sulle configurazioni di spin campionate da questi specifici settori di difetto alla criticità. L'RBM apprende la distribuzione di probabilità $P(v)$ delle configurazioni di spin $v$.

• Mappa Radice Quadrata: Un passaggio teorico chiave consiste nel prendere la radice quadrata componente per componente della distribuzione di probabilità appresa dall'RBM (che approssima il peso della funzione di partizione). Questa operazione mappa i pesi classici di Boltzmann in una funzione d'onda quantistica candidata: $|\Psi\rangle = \sum_v \sqrt{\Phi_\theta(v)} |v\rangle$.
• Costruzione della Base: Addestrando le RBM su diversi settori di difetto (non torciti, con torsione di inversione di spin in $x$ o $y$, e in entrambi), gli autori costruiscono un insieme di funzioni d'onda corrispondenti a diverse condizioni al contorno. Queste vengono combinate linearmente per formare una base per lo spazio di Hilbert tridimensionale dello stato fondamentale della TQFT di Ising sul toro.

3. Estrazione dei Dati Modulari:
   Gli autori calcolano le sovrapposizioni tra le funzioni d'onda definite sulla geometria originale del toro e quelle definite sulla geometria trasformata dalla trasformazione modale S ($\tau \to -1/\tau$). La matrice di prodotto interno di questi stati viene analizzata per recuperare la matrice S modulare, un invariante fondamentale della TQFT.

Contributi Chiave e Risultati

• Recupero della Struttura Topologica: Le RBM addestrate catturano con successo non solo le correlazioni locali di vicino ordine, ma anche le caratteristiche topologiche globali. L'analisi della matrice di covarianza dei pesi dell'RBM ($W W^T$) rivela che la rete apprende le specifiche inversioni di segno antiferromagnetico introdotte dalle cuciture di difetto di inversione di spin, codificando efficacementamente la topologia del difetto non contrattile nei parametri della rete.
• Costruzione della Funzione d'Onda: L'operazione di radice quadrata componente per componente sull'output dell'RBM genera con successo funzioni d'onda candidate per la TQFT di Ising in (2+1) dimensioni. Queste funzioni d'onda corrispondono agli stati fondamentali associati ai settori di identità ($1$), fermione ($\psi$) e spin ($\sigma$).
• Recupero della Matrice S Modulare: Come test di coerenza non banale, gli autori hanno calcolato la matrice di sovrapposizione tra le basi del ciclo-x e del ciclo-y derivate dalle funzioni d'onda RBM. La matrice risultante corrisponde alla matrice S modulare di Ising attesa:
  $$S = \frac{1}{2} \begin{pmatrix} 1 & 1 & \sqrt{2} \\ 1 & 1 & -\sqrt{2} \\ \sqrt{2} & -\sqrt{2} & 0 \end{pmatrix}$$
  Ciò conferma che la rappresentazione della rete neurale cattura la struttura topologica emergente e le corrette regole di fusione della teoria.
• Interpretazione Fisica dei Parametri RBM: Lo studio dimostra che l'"azione effettiva" dell'RBM (derivata dalla distribuzione marginalizzata) riproduce fedelmente la corrispondenza geometrica e topologica del modello reticolare sottostante, anche alla criticità dove le lunghezze di correlazione divergono.

Significato e Rivendicazioni
Il saggio sostiene di aver dimostrato una "via guidata dai dati dalla meccanica statistica reticolare alla teoria di campo quantistico topologico". Il suo significato primario risiede nel mostrare che le rappresentazioni di reti neurali possono catturare simultaneamente le fluttuazioni critiche (dal modello reticolare) e la struttura topologica emergente (gli stati fondamentali della TQFT e i dati modulari) senza codificare esplicitamente i vincoli topologici nell'architettura della rete.

Gli autori sottolineano che questo approccio riesce ad apprendere le ampiezze delle funzioni d'onda della TQFT. Notano con modestia che una rappresentazione completa delle fasi topologiche chirali richiederebbe anche l'apprendimento di fasi complesse, assenti nella distribuzione di Boltzmann classica utilizzata qui. Suggeriscono che gli stati RBM appresi potrebbero servire come "semi di ampiezza" per successivi addestramenti di reti a valori complessi contro specifici Hamiltoniani genitori. Il lavoro valida l'utilità delle RBM per sondare la profonda connessione tra le Teorie di Campo Conformi (CFT) alla criticità e le TQFT che descrivono le loro fasi topologiche a bassa energia.