Exact autoregressive sampling of planar Ising spin glasses via the Kac--Ward theory

技術要約：Kac–Ward理論を用いた平面イジング・スピングラスの厳密な自己回帰サンプリング

問題提起
ボルツマン分布から平衡配置を生成することは、統計物理学における重要な課題である。メトロポリス・ヘイスティングス法などの標準的なマルコフ連鎖モンテカルロ（MCMC）法は、相転移付近での臨界スローイングダウンや、複雑なエネルギーランドスケープを持つ無秩序系におけるメタステーブル（準安定）状態へのトラップに悩まされる。高度なクラスターアルゴリズムは強磁性体におけるこれらの問題を緩和するが、フラストレーションのある系ではしばしば失敗する。その結果、パラレルテンパリング（PT）がグラス系における最先端の手法として残っているが、これは煩雑なチューニングを必要とし、計算コストも高い。

近年、変分自己回帰ネットワーク（VAN）やテンソルネットワーク法が、独立同一分布（i.i.d.）サンプルを生成する代替案として台頭している。しかし、これらの手法は近似的である。厳密な参照サンプルがなければ、その変分アンサンブルを厳密にベンチマークすることはできず、その実用的な効率性を評価することも困難である。さらに、主要な観測量（オーバーラップ分布、スピングラス感受率など）の信頼できる推定には、無相関なサンプルが必要であるが、グラス系においてこれらを得ることは困難である。平面イジングモデルに対しては厳密なサンプリングアルゴリズムが存在するが（例：完全マッチングへの写像）、従来の分割統治法は、標準的な自己回帰分解に必要な逐次的な条件付き確率 $P(s_i|s_{<i})$ を明示的に提供していない。

手法
著者らは、連鎖律 $P(s) = \prod_{i=1}^N P(s_i | s_{<i})$ を通じてボルツマン分布をサンプリングするために必要な、厳密な条件付き確率 $P(s_i|s_{<i})$ を計算する、平面イジング・スピングラスのための厳密な自己回帰サンプリングアルゴリズムを提示する。

対処すべき核心的な課題は、スピン $s_{<i}$ を逐次的に固定すると、未サンプリング領域の境界に実効的な外部磁場が誘起されることである。これらの磁場は、標準的なKac–Ward法やKasteleyn–Pfaffian法による厳密な評価に不可欠な「ゼロ磁場構造」を破壊してしまう。

この問題を解決するため、著者らは平面性を保持する補助スピン構成を採用している：

1. 条件付き分配関数： 条件付き確率は、実効的な境界磁場 $h^{\pm}_m$ の下での未サンプリングスピンの分配関数の比 $Q^{\pm}_i$ に依存する。
2. 補助スピンへの写像： これらの磁場を外部ポテンシャルとして扱う代わりに、本手法では補助スピン $s_g$ を導入する。境界サイトにおける実効的な局所磁場は、補助スピン $s_g$ と境界スピンとの間のペアワイズ結合に置き換えられる。
3. 平面性の保持： 自己回帰的な生成が連結な探索順序（例：ラスタースキャン）に従うようにすることで、凍結されたスピンは連結な部分グラフを形成する。補助スピンの導入は、この連結領域を単一の頂点へと縮退させる操作とトポロジー的に等価である。平面グラフは辺の縮退に対して閉じているため、拡張された相互作用グラフは依然として平面性を保持する。
4. 厳密な評価： この拡張された系は、平面グラフ上のゼロ磁場イジングモデルとなる。分配関数 $\tilde{Q}^{\pm}_i$ は、Kac–Ward行列式公式を用いて厳密に評価される。これらの分配関数の比が、厳密な条件付き確率を与える。
5. 効率化の最適化： 各ステップでフル行列式を再計算することを避けるため、著者らは**行列式補題（matrix determinant lemma）**を利用する。行列の差（補助スピンに接続されたエッジのみで非ゼロとなる）は低ランクであるため、行列式の比は $r \times r$ の行列式（ここで $r$ は境界の隣接数）へと崩壊し、各ステップにつき一度の疎行列LU分解のみを必要とする。

主な貢献

• 厳密な自己回帰サンプラー： $P(s_i|s_{<i})$ を明示的に計算することにより、平面イジング・スピングラスに対して厳密な正規化尤度を持つ、厳密なi.i.d.サンプルを提供する初のアルゴリズム。
• 境界磁場の処理： 境界に起因する実効的な磁場を、補助スピンを用いたゼロ磁場拡張モデルへとエンコードすることで、Kac–Ward公式に必要な平面性を保持する新しいマッピング。
• 計算量： 本手法は、$N$ 個のスピンに対して $O(N^{5/2})$ の計算コストで動作する。これは従来の分割統治型厳密サンプラーの $O(N^{3/2})$ よりは高いが、スピンごとの条件付き確率を得るために必要なコストである。
• 厳密なベンチマーク： 本アルゴリズムは、現代的なニューラル自己回帰サンプラー（VAN）やテンソルネットワーク法を厳密にベンチマークするために必要な、厳密な正規化尤度を提供する。

結果
著者らは、いくつかの平面系を用いてアルゴリズムを検証した：

1. 2D Edwards–Anderson (EA) スピングラス： アルゴリズムは、自己相関関数 $\Gamma(t) = \delta_{t,0}$ を持つ配置を生成し、厳密にi.i.d.なサンプルであることを確認した。対照的に、メトロポリス法は緩やかな、引き伸ばされた指数関数的減衰を示し、深刻な臨界スローイングダウンを示唆した。
2. 三角格子強磁性（FM）イジングモデル： アルゴリズムは、臨界温度 $T_c$ 付近での系のシミュレーションに成功した。計算された磁化および比熱は、理論的期待値および有限サイズスケーリング挙動と一致しており、変分法が臨界付近で見せる系統的なバイアスが見られない。
3. 三角格子反強磁性（AFM）イジングモデル： 著者らは、熱力学的積分を用いることなく、厳密な尤度からエントロピー（$S = -\langle \ln P(s) \rangle$）を直接推定できる能力を実証した。結果は、サイトあたり $S_0 \approx 0.323$ という理論的な残留エントロピーに収束した。

意義と主張
本論文は、この研究が平面スピングラスにおける厳密なサンプリングと自己回帰生成の間の溝を埋めるものであると主張している。厳密な尤度を持つ、完全に偏りのないサンプルを生成する手法を提供することで、著者らは近似的なニューラルおよびテンソルネットワーク・サンプラーを検証するための厳密なベースラインを確立している。

著者らは、$O(N^{5/2})$ のスケーリングが現在のところ中規模なシステムサイズ（$N \approx 10^3$）への適用を制限していると指摘している。しかし、平衡化時間と自己相関のオーバーヘッドを排除できることは、MCMCやPTに対する明確な利点であると述べている。さらに、このアルゴリズムによって計算される厳密な条件付き確率は、「教師信号」としてオンポリシーの知識蒸留に利用でき、標準的なREINFORCEアプローチと比較して勾配の分散を低減することで、変分自己回帰ネットワークの訓練を改善できる可能性がある。本研究には、さらなる研究を促進するためのPython実装のリファレンスが含まれている。