TetrisCNN for interpretable detection of phases of matter from experimental quantum simulator data

技術要約：TetrisCNNによる相（Phase of Matter）の解釈可能な検出

問題提起
複雑な量子系、特に長距離相互作用や強いもつれ（エンタングルメント）を伴う系において、物質の相を検出することは依然として中心的な課題である。従来の手法は、正しい秩序パラメータを特定することに依存しており、これは専門家の直感や教育された推測に依存する作業である。これは未知の転移に対しては実行不可能となる。ニューラルネットワークは、事前の物理的知識なしに相転移の位置を特定する代替手段を提供してきたが、それらは通常「ブラックボックス」として機能する。すなわち、それらは相を特定するものの、その基礎となる性質を解明したり、解釈可能な記述を提供したりはしない。さらに、これらのモデルは、ノイズが敵対的な摂動として作用する可能性のある、現実的でノイスの多い実験データに対して苦戦することが多く、「羅生門効果」（等しく予測的であるが質的に異なる複数のモデルが存在すること）が推論された結論の安定性を損なう。最終的な目標は、正確であるだけでなく、解釈可能であり、新しい相の発見と、その物理的特性（具体的には基礎となる秩序パラメータ）の理解を可能にする自動化されたアプローチを開発することである。

手法：TetrisCNNアーキテクチャ
著者らは、スピン相関関数として直接、疎で解釈可能な潜在表現を学習するように設計された畳み込みニューラルネットワークアーキテクチャであるTetrisCNNを導入する。このアーキテクチャは、「知識を圧縮する」という明示的な駆動力を提供する必要性から着想を得ている。

• 多様なフィルタを用いた並列ブランチ: ネットワークは、異なる形状とサイズのフィルタ（テトリスのブロックを彷彿とさせる）を利用した並列の畳み込みブランチで構成されている。これらのフィルタは、様々な空間スケールおよび幾何学的形状における候補となる局所相関関数を表している。
• ブール・フーリエ写像: ブール値のスピンデータに対する畳み込み演算をスピン相関関数へと写像する、主要な理論的コンポーネントである。局所的な畳み込み関数とグローバル平均プーリング（GAP）を組み合わせることで、任意のブランチの出力は、スピン相関関数 $C[P']$（ここで $P'$ はフィルタパターン $P$ の部分パターンである）の線形結合として表現できる。これは、ブール・フーリエ展開を通じて導出される。
• スパース性正則化: 冗長性と羅生門効果に対処するため、著者らはブランチの出力（ボトルネック）に対してL1正則化を採用している。これは、ブランチの活性化の大きさにペナルティを課すものであり、フィルタパターンの複雑さ（カーディナリティ）が増すにつれて増加する特定のペナルティ構造（$\lambda_k$）を持つ。これにより、ネットワークは学習タスクに十分な最小限の相関関数のサブセットを自動的に選択し、無関係または冗長なブランチを抑制することを強制される。
• 回転不変性: 正方格子の $C_4$ 対称性を尊重するため、フィルタはすべての異なる90°回転に対して適用され、得られた特徴マップは平均化される。これにより、出力は回転不変となる。
• タスクネットワーク: 疎な潜在変数（ブランチの活性化）は、標準的な全結合「タスクネットワーク」（分類器）に送られる。潜在空間が低次元で物理的に解釈可能であるため、この分類器の決定境界は、スピン相関関数の項を用いた記号的な公式（例：多項式）によって近似できる。

実験データとタスク
本手法は、2つのリドバーグ原子量子シミュレータからの生の射影測定スナップショット（実験データ）に適用される：

1. 2Dイジングモデル（横磁場イジングモデル）: $8 \times 8$ の配列。スナップショットはZ基底で測定される。システムは、Z偏極パラマグネット状態からのクロスオーバーと、それに続く反強磁性相への転移を含むプロトコルを経る。
2. XYモデル: $6 \times 7$ の長方形配列。スキップショットはX基底とZ基底の両方で測定される。プロトコルは、ネール状態からXY平面内の強磁性状態へと接続する断熱ランプを含む。

学習タスクは、様々な教師なし手法（Learning by Confusion, Prediction-Divergence, PCA, UMAP, Distance Learning）によって推定された転移点に基づいてラベル付けされたスナップショットを用いた、教師あり分類として定式化される。

主な結果

• 疎な記述子の選択: TetrisCNNは、分類に必要なアクティブなブランチの最小セットを正常に特定する。
  • イジング・データセットの場合、$1 \times 1$ のフィルタ（$z[\blacksquare]$）に対応する単一のブランチのみがアクティブに残る。このブランチは、Z基底の磁化（$C_Z[\blacksquare]$）に直接対応している。
  • XYデータセットの場合、3つのブランチがアクティブに残る：$z[\blacksquare]$, $z[\blacksquare\blacksquare]$, および $z[\blacksquare\square\blacksquare]$。これらは、X基底の磁化（$C_X[\blacksquare]$）、回転不変な最近接Z相関関数（$C_Z^{rot}[\blacksquare\blacksquare]$）、および対角Z相関関数（$C_Z^{rot}[\blacksquare\square\blacksquare]$）にマッピングされる。
• 記号的な決定境界: 決定境界は、潜在空間において記号的な公式として表現される：
  • イジング: Z磁化（$C_Z[\blacksquare] \approx 0.387$）に関する単純な閾値。
  • XY: $X$ 磁化の二乗と、特定されたZ相関関数を含む二次曲面。二次項 $C_X[\blacksquare]^2$ は、面内強磁性秩序パラメータ $(m^X)^2_c$ に密接に関連している。
• クロスオーバーと転移の解釈: イジング・データにおいて、ネットワークは（Z磁化の消失によって駆動される）偏極状態からのクロスオーバーを検出し、その後の反強強磁性相転移ではなく、これは有限サイズかつノイズの多い実験データにおける滑らかな性質と一致している。
• 堅牢性: 特定されたブランチと決定規則は、ランダムな初期化やデータのペアリングの変動に対して堅牢である。

意義と主張
本論文は、TetrisCNNが高性能な機械学習と物理的解釈性の間の溝を埋めるものであると主張している。その主な貢献は以下の通りである：

1. 設計による解釈性: 事後解析的な手法とは異なり、TetrisCNNのアーキテクチャは、本質的に物理的に測定可能なスピン相関関数の線形結合となる潜在表現を生成する。
2. 実験ノイズの処理: 本手法は生のノイズを含む実験データに適用されており、有限サイズ効果、デコヒーレンス、および測定誤差が存在するにもかかわらず、意味のある物理的洞察を抽出できることを示している。
3. タスク依存の物理の解明: 著者らは、特定された観測量は、特定の学習タスク（分類）に最も有用なものであり、それが必ずしも従来の秩序パラメータと一致するとは限らないことを強調している。例えば、XYの場合、ネットワークは物理的に期待されるX磁化の二乗と、単一スナップショットの識別能をより強く提供するZ基底の相関関数を組み合わせている。これは、ブラックボックスモデルが隠蔽してしまうニュアンスである。
4. モデル選択: 疎な正則化は、モデル選択メカニズムとして機能し、羅生門効果を回避して、機能的に同等な多くのモデルの中から最も単純で解釈可能な解を見つけ出す。

著者らは、TetrisCNNを「機械支援による発見」への一歩として位置づけている。すなわち、解釈可能なネットワークが複雑な量子データの疎な表現を提供し、実験、理論、およびデータ駆動型モデルの間の対話を促進することを目指している。彼らは、現在の実装が局所的な相関関数に焦点を当てていること、および、よりエキゾチックな相を捉えるためにブランチの辞書を非局所的またはストリング状の相関へと拡張する必要があるといった限界についても述べている。