Autoregressive Projective Quantum Monte Carlo: From a Hermitian to a Non-Hermitian Perspective

技術要約：自己回帰型射影量子モンテカルロ法

問題提起
量子多体系の基底状態の性質を正確に決定することは、計算物理学における中心的な課題であり続けている。変分モンテカルロ法（VMC）などの従来のアプローチは、試行関数を最適化することに依存しているが、変分原理によって上限に制約されるため、強い相関を効率的に捉えることに失敗することが多い。射影量子モンテカルロ法（PQMC）、別名拡散モンテカルロ法（DMC）は、試行関数からイマジナリータイム発展を通じて基底状態を射影することにより、より強力な代替手段を提供する。しかし、標準的なPQMC（特に単純なSPQMC）は構成空間全体を確率論的に探索するため、高い分散と非効率性を招く。誘導関数（$\psi_T$）を用いた重要サンプリングによってこれを緩和できるが、既存の手法は多くの場合、制限ボルツマンマシン（RBM）に依存しており、これらはサンプリングのオーバーヘッド、相関、および複雑なブロック平均化技術を必要とするという課題がある。さらに、非エルミート（NH）系への拡張は、複素数の非対角ハミルトニアン要素に起因する「符号問題」のため非常に困難であり、単純なPQMCも、ニューラルネットワークに導かれたPQMCも、これまでこのような領域を探索したことはなかった。

手法
著者らは、リカレントニューラルネットワーク（RNN）を歩行者（ウォーカー）の確率的ダイナミクスを導く誘導関数として統合した、**自己回帰型射程量子モンテカルロ（PQMC）**フレームワークを導入している。その手法は以下の通りである：

1. 自己学習ループ： アルゴリズムは「スティント（stint）」と呼ばれるサイクルで動作する。各スティントにおいて、現在のRNNパラメータ（$\theta_s$）を用いて、重要サンプリングを通じてウォーカー（系のレプリカ）を導くようにPQMCシミュレーションを実行する。これにより、基底状態 $|\psi_0|^2$ を近似するウォーカーの分布が生成される。
2. 自己回帰サンプリング： RBMとは異なり、RNNは自己回帰的な分解（連鎖律）を通じて、任意のスピン構成に対する正規化された確率振幅を明示的に提供する。これにより、ギブスサンプリングや隠れユニットの周辺化を必要とすることなく、条件付き確率の厳密な評価と独立したサンプルの生成が可能となる。
3. パラメータ更新： スティント中に生成されたウォーカーの構成は、RNNの分布とPQMCウォーカーの分布との間の尤度最大化（KLダイバージェンスの最小化）によって、RNNパラメータを更新するために使用される。
4. 連続時間近似： 有限の時間ステップ（$\Delta\tau$）に伴うバイアスを軽減するため、著者らはMCタイムステップを微小な区間に分割する連続時間近似を採用し、離散化誤差を低減させている。
5. 非エルミートへの拡張： 非エルミート系に対しては、複素非対角要素（符号問題の原因）に対処するため、ユニタリゲージ回転（基底変換）を適用する。この変換により、$\mathcal{PT}$対称性が破れていない領域において、ハミルトニアンを実質的にストカスティック（符号問題のない状態）にし、標準的なPQMC形式を適用可能にする。局所エネルギーは、右基底状態の波動関数のみを利用した、双直交系に適応した混合エスティメータを用いて計算される。

主な貢献

• フレームワークの統合： 本論文は、従来のVMCにおけるニューラルネットワークの使用を超え、自己回帰的なニューラルサンプリング（RNN）をPQMCと組み合わせた最初のフレームワークを確立した。
• アルゴリズムの利点： RNNを利用することで、独立したサンプリングを実現し、ブロック平均化を必要とするサンプリングのオーバーヘッドを回避し、直接的で安定した最大尤度更新を可能にした。これにより、高速な収束（RBMと比較して少ないスティント数 $N_s \approx 5$）と分散の低減が達成された。
• 非エルミートへの適用： 本研究は、NQS（ニューラルネットワーク量子状態）によって導かれたPQMCを非エルミート格子モデルに適用した初の事例である。これは、単純なPQMCもニューラルネットワークに導かれたPQMCも、そのような系を研究するために使用されてこなかったためである。

結果
著者らは、エルミートおよび非エルミートの両方の1次元横磁場イジングモデルに対して、提案手法を標準的なSPQMC、厳密対角化（ED）、および解析解（ジョルダン・ウィグナー・ボゴリューボフ）と比較してベンチマークを行った。

• エルミート系： 交互磁場を持つ1次元イジング鎖において、自己回帰型PQMCは、SPQMCおよびランダムな試行関数を用いたPQMCよりも一貫して低いエネルギーと高い忠実度を達成した。この手法は、局所エネルギーのゆらぎと分散を大幅に減少させた。また、大きなシステムサイズ（$N=150$）に対しても堅牢であり、厳密解に対して低い相対誤差（$\epsilon_{rel} \sim 10^{-5}$）を維持した。
• 非エルミート系： $\mathcal{PT}$対称な非エルミート・イジング鎖に適用した結果、本手法は$\mathcal{PT}$対称性が破れていない領域における基底状態の性質を正常に捉えた。自己回帰型PQMCは、変分RNN（VMC）アプローチを上回り、高次級数展開に対する相対誤差が小さく、システムサイズ（$N$）の増加に対する誤差のスケールが緩やかであった。
• 効率性： 自己回帰型アプローチは、従来のRBM誘導型手法と比較して、収束に必要なトレーニング・スティントの数が少なく、基底状態の波動関数を学習する上での優れた表現力と効率性を実証した。

意義
本論文は、自己回程サンプリングをPQMCに統合したこと、およびそれを非エルミート離散格子モデルに適用したことの2つの「初」を確立していると主張している。著者らは、これらの結果から、ニューラル誘導型PQMCの汎用性が高く、摂動論や平均場理論、あるいは標準的なVMCが失敗するような複雑な量子多体系の低エネルギー状態をシミュレートするためのスケーラブルな経路を提供していると述べている。特定の非エルミート領域において符号問題を緩和するメカニズムを提供することで、本フレームワークは、高次元や任意の非エルミート・ハミルトニアンへの将来的な探求への扉を開き、より正確で効率的な量子シミュレーションへの道を開くものである。