AI-Driven Discovery of Entanglement Witness in Spin Hamiltonians

技術要約：スピン・ハミルトニアンにおけるもつれ証拠のAI駆動型発見

問題提起
量子もつれ（エンタングルメント）は、量子技術にとって不可欠なリソースであり、複雑な多体物理学の鍵となる指標である。しかし、一般的な多体系の混合状態における量子もつれの検出は、計算量的に困難（NP困難）であり、実験的にも困難を伴う。従来の手法は、完全な量子状態トモグラフィーに依存することが多いが、これは大規模なシステムにおいては実行不可能である。また、定義済みの「もつれ証拠（エンタングルメント・ウィットネス）」に頼る手法では、より広範なシグネチャを見逃す可能性がある。機械学習（ML）は量子もつれの推論に適用されてきたが、既存のアプローチは異なるシステムサイズやハミルトニアン・ファミリー間での汎用性に苦しみ、また、完全な密度行列を再構成することなく、実験的にアクセス可能な観測量から直接操作することに失敗することが多い。したがって、低次の局所的な相関関数のみを用いて、もつれた状態と完全に可分な状態を区別できる、スケーラブルで転移可能なフレームワークが求められている。

手法：EntNetフレームワーク
著者らは、1次元のスピン1/2鎖における有限温度混合状態における量子もつれを、低次のパウリ相関関数のみを用いて検出するために設計されたAI駆動型フレームワークであるEntNetを導入する。この手法は、以下の4つの主要な段階を経て進行する。

1. データセットの構築とラベル付け:

   • 訓練セットとして、合成的に生成された35,000個の状態（$N=16$）を作成し、これらを完全に可分な状態（積状態の凸結合として構成）と、証明されたもつれ状態に等分する。
   • もつれは、完全な状態再構成によってではなく、小さな部分系の簡約密度行列を正の部分転置（PPT）およびリアライメント（CCNR）基準に照らしてテストすることで証明される。
   • 状態は、違反が検出された最小の部分系のサイズに応じて、E2, E3, または E4とラベル付けされる。曖昧な教師あり学習を避けるため、証明が得られなかった状態は除外される。

2. LU不変な特徴表現:

   • 量子もつれは局所ユニタリ（LU）変換に対して不変であるが、生のパウリ相関関数はそうではないという事実に着目し、EntNetはLU不変な表現を構築する。
   • 本フレームワークは、2体、3体、および4体の相関テンソルの特異値およびテンソル縮約を計算する。これらの数学的操作により、特徴量が局所的な基底回転の下で変化しないことが保証される。
   • 初期段階では、117個の候補となる不変チャネルが検討される。

3. 疎な特徴の蒸留（Sparse Feature Distillation）:

   • 学習可能な確率的ゲーティング機構を用いて、モデルは最も情報量の多いチャネルを疎に選択する。
   • このプロセスにより、高次元の入力をコンパクトな16個の候補不変特徴チャネルへと蒸留する。この削減は、物理的な解釈可能性を維持しながら冗長性を排除する。

4. Transformerアーキテクチャ:

   • 選択された16個のチャネルは、境界効果のためのジオメトリマスクと共に、スピン鎖に沿ったシーケンスとして構成される。
   • 4層のTransformerアーキテクチャがこのシーケンスを処理する。決定的なのは、格子サイト間の相対的な空間分離をエンコードするために**回転位置埋め込み（RoPE）**を採用している点である。この設計により、モデルは再学習なしに、より長い鎖へと転移可能な空間相関を学習することができる。
   • 最終的な分類層が、状態がもつれている確率を予測する。

主な結果

• 高い精度と低い偽陽性率: $N=16$ のXYモデルのベンチマークにおいて、EntNetは証明されたもつれ状態に対して98%以上の再現率（Recall）を達成し、可分な状態に対する偽陽性率は極めて低い（真陰性率 $\approx$ 0.997）。
• ハミルトニアン間の転移性: 再学習なしで、モデルはXXZモデル、フラストレーションのある $J_1-J_2$ モデル、およびランダムな局所スピン・ハミルトニアンを含む、異なるハミルトニアン・ファミリーに対して効果的に汎化する。また、訓練時に保持されていた高次のもつれ状態（E3, E4）をも正確に識別する。
• システムサイズの補外（Extrapolation）: モデルは、$N=16$ から $N=32$ の鎖へと、精度の低下を最小限に抑えて転移する。RoPEの使用により、学習された空間的関係がより長いシーケンスにも適用される。
• 物理的解釈可能性:
  • 特徴選択: 蒸留された16個のチャネルは、選択的な空間組織を明らかにする。特に、距離 $r=1$ および $r=4$ におけるペア相関が重要であり、$r=2$ および $r=3$ の特徴は大部分が破棄されている。これは、もつれの検出が単純な近接性ではなく、特定の非局所的なパターンに依存していることを示唆している。
  • 有限温度挙動: モデルは、XX鎖における再突入（reentrant）型の分類パターンを捉える。高温域では、状態は正しく可分であると識別される。温度が高温限界から低下すると、熱的に励起された相関によって、中間温度領域で分類器はもつれを予測する。温度が非常に低くなると（$h > 1$ における基底状態に近づくと）、系は可分で完全に偏極した状態に戻り、分類器は正しく可分性を予測する。
  • 決定境界: 分類器の下限決定境界は、ジョルダン・ウィグナー準粒子の熱励起スケールを定量的に追跡しており、活性化則 $\sqrt{T^*} \exp[-2(h-1)/T^*] = C^*$ に従っている。

意義と主張
本論文は、EntNetを、データ駆動型による量子もつれ証拠発見のための転移可能かつ物理的に解釈可能なフレームワークとして確立している。その主な貢献は以下の通りである：

1. スケーラビリティ: コンパクトな低次観測量の組み合わせが、システムサイズやハミルトニアン・ファミリーを超えて、転移可能な多体系の量子もつれのシグネチャを符号化できることを示した。
2. 物理的洞察: 「ブラックボックス」的な機械学習モデルとは異なり、EntNetの蒸留された特徴は、量子もつれの空間構造（例：$r=4$ の相関の重要性）やその熱力学的挙動（準粒子ギャップの追跡）に関する洞察を提供する。
3. 実験的関連性: 本フレームワークは、直接測定可能なパウリ相関関数上で動作するため、完全な状態トモグラフィーが不可能な量子材料や量子シミュレータにおける量子もつれ検出への道を開くものである。

著者らは、現在のフレームワークは1次元スピン鎖に限定されているものの、制限されたセットの相関測定のみがアクセス可能なシステムにおける、スケーラブルな量子もつれ検出へのルートを開くものであると述べている。彼らは、学習された決定境界は厳密な可分性の閾値ではなく、相関のシグネチャに対して敏感であり、複雑な量子状態に対する強力なスクリーニングツールとして機能することを強調している。