Tensor-network variational diagonalization of quantum many-body spectra

기술 요약: 양자 다체 스펙트럼의 텐서 네트워크 변분 대각화

문제 정의
다체 해밀토니안의 완전한 고유 구조(eigenstructure)는 열역학, 동역학적 응답, 그리고 양자 카오스 또는 국소화의 징후를 포함한 필수적인 물리적 특성을 인코딩한다. 그러나 힐베르트 공간의 지수적 성장($N$개의 스핀에 대해 $2^N$)은 대칭성 활용을 통한 정확한 대각화(Exact Diagonalization, ED)조차도 약 30개 이상의 스핀을 가진 시스템에서는 실행 불가능하게 만든다. 밀도 행렬 재규격화 그룹(DMRG) 및 들뜬 상태 행렬 곱 상태(MPS) 알고리즘과 같은 기존 텐서 네트워크 방법들은 특정 스펙트럼 섹터(예: 저에너지 또는 국소화된 상태)를 성공적으로 타겟팅하지만, 일반적으로 에너지 스펙트럼을 저장된 변분 객체라기보다 암시적인 리스트로 취급한다. 본 연구가 다루는 핵심 과제는, 적절한 라벨링 하에서 스펙트럼이 압축 가능한 구조를 가진다면, 지수적으로 거대한 전체 고유 에너지 리스트를 명시적인 열거 없이도 표현하고 샘플링할 수 있는지 여부이다.

방법론: 텐서 네트워크 변분 대각화 (TNVD)
저자들은 고유값 분해 $\hat{H} = \sum_{\alpha} E_\alpha |\alpha\rangle\langle\alpha|$를 표현하기 위해 두 개의 결합된 텐서 네트워크 객체를 공동으로 최적화하는 프레임워크인 텐서 네트워크 변분 대각화(TNVD)를 도입한다:

1. 스펙트럼 MPS: 고유 에너지 $\{E_\alpha\}$는 $N$차 텐서 $E_{r_1 \dots r_N}$로 취급된다. 여기서 인덱스 $\alpha$는 이진 문자열 $r = (r_1, \dots, r_N)$로 표현된다. 이 MPS의 가상 결합 차원(virtual bond dimension) $\chi_a$는 선택된 라벨 공간에서의 "가상 얽힘(virtual entanglement)"을 직접적으로 조사하는 프로브 역할을 한다.
2. 변분 양자 회로 (VQC): 유한 깊이의 양자 회로 $\hat{U}$는 이진 곱 상태 $|r_\alpha\rangle$를 근사 고유 상태 $|\alpha\rangle = \hat{U}|r_\alpha\rangle$로 매핑한다. 이 회로는 깊이 $N_L$을 가진 2체 게이트(two-body gates)의 벽돌 쌓기 구조(brick-wall architecture)로 구성된다.
3. 공동 최적화: 이진 라벨은 에너지 순서에 의해 고정되지 않고 학습된다. 스펙트럼 MPS의 로컬 텐서와 VQC의 파라미터는 로그 힐베르트-슈미트 손실(logarithmic Hilbert-Schmidt loss)을 최소화하기 위해 동시에 최적화된다:
   $$F = \log_2 \|\hat{H} - \tilde{H}\|_{HS}^2 - N$$
   여기서 $\tilde{H}$는 안사츠(ansatz) 해밀토니안이다. 이 전역 손실 함수는 특정 에너지 창에 특권을 부여하는 대신 전체 연산자를 제약한다.
4. 계산 비용: 손실 함수의 평가는 스펙트럼 MPS를 VQC 및 그 켤레(conjugate)와 함께 초대각 텐서(super-diagonal tensors)를 통해 수축함으로써 이루어진다. 비용은 $\chi_a$, 회로 깊이 $N_L$, 그리고 TEBD 절단 차원 $\chi_t$가 고정되었을 때 시스템 크기 $N$에 대해 다항식으로 스케일링된다.

주요 결과

• 이징 체인(Ising Chain)에서의 전체 스펙트럼 재구성:
  횡장 이징 체인(transverse-field Ising chain)에 대해, TNVD는 $N \le 16$에서 정확한 대각화 결과를 성공적으로 재현하였다. 결정적으로, $N=100$인 경우에도 이 방법은 $2^{100}$개의 레벨을 열거하지 않고도 MPS를 통해 상태 밀도(density of states)를 샘플링한다. 샘플링된 분포는 작은 크기의 ED로부터 도출된 가우시안 피팅과 일치한다.

  • 라벨 조직화: 정확한 스펙트럼에 이진 라벨의 무작위 치환을 사용한 제어 실험은 높은 가상 얽힘 엔트로피를 보인 반면, TNVD로 최적화된 라벨은 낮은 얽힘을 가진 압축된 MPS 표현을 나타냈다. 이는 에너지 텐서의 압축성이 학습된 라벨의 조직화에 결정적으로 의존함을 입증한다.

• 무질서 시스템: 이징(Ising) vs XXZ:
  저자들은 무작위 장 이징 체인(random-field Ising chain)과 무작위 장 XXZ 체인(random-field XXZ chain)을 비교하였다. 두 시스템 모두 무질서 강도가 증가함에 따라 레벨 간격 통계(Poisson에서 GOE로, 다시 Poisson으로)에서 유사한 교차(crossover)를 보이며, 이는 유사한 스펙트럼 카오스 특성을 나타낸다.

  • 발산하는 오차: 유사한 레벨 통계에도 불구하고, 동일한 변분 자원 하에서 XXZ 체인의 TNVD 오차(힐베르트-슈미트 손실 및 평균 에너지 오차)는 이징 체인보다 현저히 컸다.
  • 원인 분석: 저자들은 스펙트럼 카오스 자체가 TNVD의 복잡성을 결정하는 것은 아님을 확인하였다. XXZ 체인의 병목 현상은 **유한 랭크 절단(finite-rank truncation)**의 대각화 변환에서 기인한 것으로 밝혀졌다.
    • 무질서가 없을 때($W=0$), XXZ 체인($c=1$ 임계 이론)은 이징 체인($c=1/2$)에 비해 훨씬 느린 슈미트 계수(Schmidt coefficient)의 감소와 더 무거운 바닥 상태 슈미트 꼬리(Schmidt tail)를 보인다.
    • 결과적으로, XXZ 체인의 저에너지 고유 상태는 절단 컷오프 $\chi_t$ 너머로 실질적으로 더 많은 슈미트 가중치를 가지며, 이는 더 높은 오차로 이어진다. 자유 페르미온 적분 가능(free-fermion integrable)한 이징 체인은 $W=0$에서 저계수 절단(low-rank truncation)에 더 용이하다.

의의 및 주장
본 논문은 TNVD가 언제 완전한 다체 스펙트럼이 다룰 수 있는 텐서 네트워크 표현을 갖게 되는지에 대한 직접적인 테스트를 제공한다고 주장한다. 이 방법은 전체 스펙트럼 대각화를 열거 작업에서 학습 가능한 텐서 구조의 테스트로 패러다임을 전환한다.

저자들은 성공적인 TNVD를 위한 두 가지 독립적인 구조적 요구 사항을 식별하였다:

1. 라벨 공간에서의 가상 얽힘: 에너지 텐서는 학습된 이진 라벨링 하에서 낮은 가상 얽힘을 가져야 한다(이징 체인에 의해 입증됨).
2. 유한 랭크 슈미트 절단: 대각화 변환(회로가 진화시킨 MPO)은 슈미트 스펙트럼의 감소에 의해 지배되는 절단 가능성을 유지해야 한다(이징과 XXZ의 차이에 의해 입증됨).

본 연구는 스펙트럼 카오스(레벨 반발)가 스펙트럼의 특징이긴 하지만, TNVD를 통한 전체 스펙트럼 표현의 난이도는 에너지 텐서의 압축성과 고유 상태 자체의 얽힘 구조 사이의 상호작용에 의해 결정된다고 결론짓는다. 구현을 위한 소스 코드는 공개적으로 제공된다.