Machine Learning Topological Order from Defect Partition Functions

技術要約：欠陥分配関数からの機械学習によるトポロジカル秩序

問題提起
本論文は、(1+1)次元格子モデルの臨界統計力学から、(2+1)次元トポロジカル量子場理論（TQFT）のトポロジカル秩序および基底状態の波動関数を直接抽出するという課題に取り組んでいる。具体的には、非アーベル任意子（anyons）を記述し、(2+1)次元の$\mathbb{Z}_2$格子ゲージ理論と双対関係にあるアイシング（Ising）TQFTに焦点を当てている。モンテカルロ法は格子ゲージ理論において進展しているものの、符号問題（sign problem）などの課題に直面している。一方で、ニューラルネットワーク量子状態（NNQS）、特に制限ボルツマンマシン（RBM）は、スピンモデルの基底状態を見つけるために用いられてきた。しかし、既存のアプローチは、格子サイズが増大するにつれて勾配の収束が遅くなる問題や、カイラルなトポロジカル相に必要な複雑なパラメータの学習における困難に直面することが多い。さらに、格子の分配関数からTQFTの波動関数やモジュラーデータ（S行列など）への直接的なデータ駆動型ルートは、完全には確立されていない。

手法
著者らは、波動関数の振幅の学習と位相の学習を分離するフレームワークを提案しており、まずトーラス上の臨界アイジングモデルから得られる振幅に焦点を当てている。この手法は主に以下の3つの段階で進行する：

1. トーラス上の欠陥分配関数：
   著者らは、周期境界条件を持つトーラス上の2次元アイジングモデルを考える。彼らは、非縮約な$a$サイクルおよび$b$サイクルに沿って、トポロジカル欠陥線（具体的にはスピン反転$\mathbb{Z}_2$欠陥およびクラマース・ワニエ（Kramers-Wannier）双対性欠陥）を導入する。これらの欠陥は、分配関数の中に特定のトポロジカルセクター（共形一次場 $1, \psi, \sigma$ でラベル付けされる）を挿入することに対応する。これらのセクター（$Z^{\text{defect}}$）の分配関数は、臨界結合定数 $K_c$ におけるモンテカルロ・シミュレーションを用いて計算される。

2. RBMの学習と波動関数の構成：
   これらの特定の欠陥セクターにおける臨界状態の構成からサンプリングされたスピン配置に対して、制限ボルツマンマシン（RBM）の学習を行う。RBMは、スピン配置 $v$ の確率分布 $P(v)$ を学習する。

• 平方根写像（Square-Root Map）： 重要な理論的ステップとして、学習されたRBMの確率分布（近似的な分配関数の重み）に対して、成分ごとの平方根を取る操作が含まれる。この操作により、古典的なボルツマン重みが候補となる量子波動関数 $|\Psi\rangle = \sum_v \sqrt{\Phi_\theta(v)} |v\rangle$ へとマップされる。
• 基底の構成： さまざなる欠陥セクター（未変形、$x$方向または$y$方向のスピン反転による捻れ、およびその両方）に対してRBMを学習させることで、著者らは異なる境界条件に対応する一連の波動関数を構築する。これらを線形結合することで、トーラス上のアイジングTQFTの3次元の基底状態ヒルベルト空間を形成する。

3. モジュラーデータの抽出：
   著者らは、元のトーラス幾何学上で定義された波動関数と、モジュラーS変換（$\tau \to -1/\tau$）によって変換された幾何学上で定義された波動関数とのオーバーラップを計算する。これにより、得られた状態の内積行列を解析し、不変量であるモジュラーS行列を回収する。

主要な貢献と結果

• トポロジカル構造の回収： 学習されたRBMは、局所的な近接相互作用だけでなく、グローバルなトポロジカルな特徴も正常に捉えている。RBMの重み共分散行列（$WW^T$）の解析により、ネットワークがスピン反転欠陥の継ぎ目によって導入される特定の反強磁性的符号反転を学習しており、ネットワークのパラメータ内に非縮約な欠陥トポロジーを効果的に符号化していることが明らかになった。
• 波動関数の構成： RBM出力に対する成分ごとの平方根操作により、(2+1)次元アイジングTQFTの候補となる波動関数を生成することに成功した。これらの波動関数は、恒等（$1$）、フェルミオン（$\psi$）、およびスピン（$\sigma$）の各セクターに関連付けられている。
• モジュラーS行列の回収： 非自明な整合性チェックとして、著者らはRBM波動関数から導出された$x$サイクルおよび$y$サイクル基底間のオーバーラップ行列を計算した。得られた行列は、期待されるアイジングのモジュラーS行列と一致する：
  $$S = \frac{1}{2} \begin{pmatrix} 1 & 1 & \sqrt{2} \\ 1 & 1 & -\sqrt{2} \\ \sqrt{2} & -\sqrt{2} & 0 \end{pmatrix}$$
  これは、ニューラルネットワーク表現が創発的なトポロジカル構造および理論の正しい融合規則を捉えていることを裏付けている。
• RBMパラメータの物理的解釈： 本研究は、RBMの「有効作用」（周辺分布から導出される）が、相関距離が発散する臨界点においても、基礎となる格子モデルの幾何学的およびトポロジカルな対応関係を忠実に再現していることを示している。

意義と主張
本論文は、「格子統計力学からトポロジカル量子場理論へのデータ駆動型のルート」を実証したと主張している。その主要な意義は、ニューラルネットワーク表現が、ネットワークのアーキテクチャにトポロジカルな制約を明示的にハードコーディングすることなく、臨界現象（格子モデルから生じるもの）と創発的なトポロジカル構造（TQFTの基底状態およびモジュラーデータ）を同時に捉えられることを示した点にある。

著者らは、このアプローチがTQFT波動関数の振幅の学習に成功していることを強調している。また、カイラルなトポロジカル相の完全な表現には、ここで用いられた古典的なボルツマン分布には存在しない複素位相の学習も必要であることを控えめに述べている。彼らは、学習されたRBMの状態が、特定の親ハミルトニアンに対するその後の訓練のための「振幅の種（amplitude seeds）」として機能し得ることを示唆している。本研究は、臨界における共形場理論（CFT）と、その低エネルギー・トポロジカル相を記述するTQFTとの間の深い繋がりを調査する上での、RBMの有用性を検証するものである。