A machine-learned dynamical phase diagram of the one-dimensional nonlinear Schrödinger equation with quasiperiodic disorder and a static field

技術要約：1次元非線形シュレディンガー方程式の機械学習による動的相図

問題提起
本論文は、3つの競合する制御パラメータ（自己相互作用強度 $g$、静的電場強度 $F$、および準周期的な無秩序強度 $\lambda$）の下で進化する波動包（ウェーブパケット）の輸送レジームをマッピングするという課題に取り組んでいる。この系は、オーブリー・アンドレ・モデル（準周期的な無秩序）、スターク局在（静的電場）、および平均場非線形性を組み合わせたものである。サブディフュージョン（$\alpha \approx 1/3$）、強カオス（$\alpha \approx 1/2$）、および真の局在といった輸送レジームを区別するには、通常、長い時間スケール（$t \gtrsim 10^6$）にわたる方程式の積分が必要であり、全パラメータ空間の調査を行うことは計算量的に極めて困難である。さらに、輸送現象は初期状態に強く依存し、コンパクトな（デルタ関数的な）状態と広がった（ガウス分布的な）状態では、特に自己トラッピングに関して異なる挙動を示す。

手法
著者は、高コストな長時間シミュレーションを、高ボリュームかつ短時間のプローチに置き換える機械学習パイプラインを提案している。

1. サンプリング: 著者は、2つの15 $\times$ 15パラメータ・スライスに対して、3,600回の短時間シミュレーション（$t_{\max} = 2.5 \times 10^3$）を実行した。
   • スライスA：$F=0$ における相互作用（$g$）対 準周期的無秩序（$\lambda$）。
   • スライスB：$\lambda=1$ における相互作用（$g$）対 静的電場（$F$）。
     シミュレーションは2種類の初期状態（単一サイトのデルタ関数および広範なガウス分布）について実行され、4つの無秩序・位相の実現（リアライゼーション）に対して平均化された。
2. 特徴抽出: 各短時間軌跡は、物理的に動機付けられた8次元の動的特徴ベクトルへと集約される。これには以下が含まれる：
   • 第2モーメント（$m_2$）および参加数（$P$）の広がり指数（$\alpha$）。
   • $\log_{10} m_2$ および $\log_{10} P$ の最終値。
   • ピークドロップ（初期中心ノルムの損失分）。
   • ブロッホ・スコア（正規化された重心の変位）。
   • 成長比および最終的な重心位置。
3. 教師なしクラスタリング: ベイズ情報量基準（BIC）を用いて選択された $k=6$ 個の成分を持つガウス混合モデル（GMM）を、標準化された特徴空間に適合させる。このステップにより、教師なしでパラメータ空間をクラスターに分割する。
4. 半教師ありラベリング: 境界は学習されるが、物理的なレジームの名称（弾道的、局在、振動局在、サブディフュージョン、自己トラッピング）は、クラスターのメンバーに対して多数決によるハンドキャリブレーションされた閾値ルールを適用することで割り当てられる。著者は、分類学（タクソノミー）は事前に定義されたものであることを明記しており、これを「相の発見」とは明確に区別している。
5. 検証戦略:
   • 格子スケーリング: 有効な比較を行うため、長時間の検証実行では、訓練用格子（$N=2,048$）の8倍のサイズ（$N=16,384$）の格子を使用している。これは、格子サイズを一致させた場合に発生する、弾道的パケットが周期境界に衝突するという失敗モードを防ぐための措置である。
   • グラウンドトゥルース: 短時間クラスターを検証するために、サブグリッド上で100個の独立した長時間実行（$t_{\max} = 10^4$）を行う。
   • 二重の観測量: 検証には、漸近的な広がり指数（$\alpha_\infty$）と、長時間の残留ピークノルム（$\Pi_0$）の両方を用いる。後者は、$\alpha_\infty$ が曖昧になる自己トラッピングを診断するために極めて重要である。

主な結果

• 相図: パイプラインは、2つの初期状態に対して15 $\times$ 15の相マップを正常に生成した。
  • ガウス状態: 弾道的（金属）から局在（絶縁体）への「クリーンな」遷移を示し、オーブリー・アンドレの臨界線（$\lambda \approx 2$）に固定されたサブディフュージョン・コリドー（回廊）と、振動局在バンドが存在する。自己トラッピングは観察されない。
  • デルタ状態: $g$ の増加に伴い、弾道的および局在領域の両方に侵入する広い「自己トラッピング・ウェッジ（楔形領域）」を示す。$\lambda=0$ における自己トラッピングの開始点は、$g = 3.907 \pm 0.017$ に正確に位置している。
• 検証指標:
  • 短時間クラスターは、長時間の漸近的指数を正確に予測する：弾道的（$\alpha_\infty \approx 2.01$）、局在（$\approx 0.12$）、振動局在（$\approx 0.23$）、およびサブディフュージョン（$\approx 0.28$、弱カオス $\alpha=1/3$ と一致）。
  • 自己トラッピング レジームについては、広がり指数は非診断的である（$\alpha_\infty \approx 1.47$）ためである。なぜなら、それは放射されたテイル（裾）を測定しているからである。しかし、独立した観測量である $\Pi_0$ は、高い保持値（$0.72 \pm 0.32$）を伴う自己トラッピングを裏付けており、非局在相とは明確に区別される。
• クラスタリングの有効性: クラスタリングステップは、閾値ルールを点ごとに適用する場合と比較して、相境界を大幅に平滑化し、特に電場駆動のスライスにおいて、空間的な「粗さ」（隣接要素間の不一致）を2〜4倍減少させた。
• 安定性: ブートストラップ・リサンプリングは、クラスターラベルの安定性がデルタ状態で75.5%、ガウス状態で84.2%であることを示し、境界位置の不確実性を定量化した。

意義と主張
本論文は、直接的な漸近シミュレーション（$t \gtrsim 10^6$）のコストによってアクセスが困難であった複雑な動的相図をマッピングするための、計算効率の高い手法（ノートパソコンで1スライスあたり約13分）を提供すると主張している。

主な貢献は以下の通りである：

1. 短時間プロキシの検証: 短時間の動的特徴をクラスタリングすることで、多様なレジームにわたって長時間の漸近的挙動を信頼性高く予測できることを示した。
2. 初期状態依存性: 初期状態の選択（デルタ vs ガウス）が、自己トラッピングのウェッジの存在を含め、相図のトポロジーを根本的に変えることを強調した。これは、異なるクエンチ条件を伴う実験プロトコルに対して重要な意味を持つ。
3. 方法論的な厳密さ: 著者は自身のプローチの限界についても明示している。彼らは、相の「名称」は機械学習によって発見されるのではなく、人間が定義したルールによって割り当てられるものであることを明確にしている。つまり、MLはパラメータ空間の「分割」のみを学習するのである。また、ルールに基づくラベリングとクラスターの多数決が一致しない「クロスオーバーセル」についても、不確実性を隠すことなく明示的に報告している。
4. 堅牢な検証設計: 大幅に大きな格子を使用する検証設計は、短時間の訓練と長時間のグラウンドトゥルースとの比較が物理的に意味のあるものとなることを保証しており、最も速く広がるレジームにおける境界効果によるアーティファクトを回避している。

結論として、本手法には限界（例：境界付近や弾道的レジームの非常に長い時間挙動における信頼性の低下）はあるものの、駆動された、無秩序な、非線形系における動的相図を探索するための、実用的で不確実性を定量化したフレームワークを提供するものである。