Machine Learning Topological Order from Defect Partition Functions

기술 요약: 결함 분배 함수로부터의 머신러닝 위상적 질서 추출

문제 정의
본 논문은 (1+1)차원 격자 모델의 임계 통계 역학으로부터 (2+1)차원 위상 양자장론(TQFT)의 위상적 질서와 바닥 상태 파동함수를 직접 추출하는 과제를 다룬다. 구체적으로는 비가환 애니온(non-abelian anyons)을 기술하며 (2+1)차원 $\mathbb{Z}_2$ 격자 게이지 이론과 쌍대 관계에 있는 이싱(Ising) TQFT에 초점을 맞춘다. 몬테카를로 방법이 격자 게이지 이론에서 발전해 왔으나 부호 문제(sign problem)와 같은 어려움에 직면해 있다. 반면, 신경망 양자 상태(NNQS), 특히 제한 볼츠만 머신(RBM)은 스핀 모델의 바닥 상태를 찾는 데 사용되어 왔다. 그러나 기존 방식은 격자 크기가 증가함에 따라 기울기 수렴이 느려지거나, 카이랄 위상 상(chiral topological phases)에 필요한 복잡한 파라미터를 학습하는 데 어려움을 겪는 경우가 많다. 또한, 격자 분배 함수로부터 TQFT 파동함수 및 모듈러 데이터(S-행렬과 같은)로 이어지는 직접적인 데이터 기반 경로는 아직 완전히 확립되지 않았다.

방법론
저자들은 파동함수의 진폭(amplitude) 학습과 위상(phase) 학습을 분리하는 프레임워크를 제안하며, 먼저 토러스 상의 임계 이싱 모델에서 유도된 진폭에 집중한다. 방법론은 다음과 같이 세 가지 주요 단계로 진행된다:

1. 토러스 상의 결함 분배 함수: 저자들은 주기적 경계 조건을 가진 토러스 상의 2D 이싱 모델을 고려한다. 이들은 비수축적 $a$ 및 $b$ 사이클을 따라 위상적 결함선(특히 스핀 플립 $\mathbb{Z}_2$ 결함 및 크래머스-워니어(Kramers-Wannier) 쌍대성 결함)을 도입한다. 이러한 결함은 분배 함수에 특정 위상 섹터(공형 기본 성분 $1, \psi, \sigma$로 표시됨)를 삽입하는 것에 해당한다. 이러한 섹터들에 대한 분배 함수($Z^{\text{defect}}$)는 임계 결합 $K_c$에서 몬테카를로 시뮬레이션을 사용하여 계산된다.

2. RBM 훈련 및 파동함수 구성: 제한 볼츠만 머신(RBM)은 임계 상태의 특정 결함 섹터에서 샘플링된 스핀 구성들에 대해 훈련된다. RBM은 스핀 구성 $v$의 확률 분포 $P(v)$를 학습한다.

   • 제곱근 사상(Square-Root Map): 핵심적인 이론적 단계는 학습된 RBM 확률 분포(분배 함수 가중치를 근사함)에 대해 성분별 제곱근을 취하는 것이다. 이 연산은 고전적 볼츠만 가중치를 후보 양자 파동함수로 매핑한다: $|\Psi\rangle = \sum_v \sqrt{\Phi_\theta(v)} |v\rangle$.
   • 기저 구성: 서로 다른 결함 섹터(언트위스티드(untwisted), $x$ 또는 $y$ 방향 스핀 플립 트위스트, 또는 둘 다 적용된 경우)에 대해 RBM을 훈련함으로써, 저자들은 다양한 경계 조건을 갖는 파동함수 집합을 구성한다. 이들은 토러스 상의 3차원 바닥 상태 힐베르트 공간을 형성하기 위해 선형 결합된다.

3. 모듈러 데이터 추출: 저자들은 원래의 토러스 기하 구조에서 정의된 파동함수와 모듈러 S-변환($\tau \to -1/\tau$)에 의해 변환된 기하 구조에서 정의된 파동함수 사이의 중첩(overlap)을 계산한다. 이 상태들의 내적 행렬을 분석하여 TQFT의 불변량인 모듈러 S-행렬을 복구한다.

주요 기여 및 결과

• 위상적 구조의 복구: 훈련된 RBM은 국소적인 최근접 이웃 상관관계뿐만 아니라 전역적인 위상적 특징까지 성공적으로 포착한다. RBM 가중치 공분산 행렬($W W^T$) 분석은 네트워크가 스핀 플립 결함 심(seam)에 의해 도입된 특유의 반강자성 부호 반전을 학습하며, 효과적으로 비수축적 결함 위상을 네트워크 파라미터에 인코딩하고 있음을 보여준다.
• 파동함수 구성: RBM 출력에 대한 성분별 제곱근 연산은 (2+1)차원 이싱 TQFT에 대한 후보 파동함수를 성공적으로 생성한다. 이 파동함수들은 항등($1$), 페르미온($\psi$), 그리고 스핀($\sigma$) 섹터와 관련된 바닥 상태에 대응한다.
• 모듈러 S-행렬 복구: 비자명한 일관성 검증으로서, 저자들은 RBM 파동함수로부터 유도된 $x$-사이클 및 $y$-사이클 기저 사이의 중첩 행렬을 계산하였다. 결과 행렬은 기대되는 이싱 모듈러 S-행렬과 일치한다:
  $$S = \frac{1}{2} \begin{pmatrix} 1 & 1 & \sqrt{2} \\ 1 & 1 & -\sqrt{2} \\ \sqrt{2} & -\sqrt{2} & 0 \end{pmatrix}$$
  이는 신경망 표현이 발현된 위상적 구조와 이론의 올바른 융합 규칙(fusion rules)을 포착하고 있음을 확인시켜 준다.
• RBM 파라미터의 물리적 해석: 본 연구는 RBM의 "유효 작용량(effective action)"(한계 분포로부터 유도됨)이 상관 길이(correlation length)가 발산하는 임계 지점에서도 기저 격자 모델의 기하학적 및 위상적 대응 관계를 충실히 재현함을 입증한다.

의의 및 주장
본 논문은 "격자 통계 역학으로부터 위상 양자장론으로 가는 데이터 기반 경로"를 입증했다고 주장한다. 주요 의의는 신경 네트워크 표현이 네트워크 아키텍처에 위상적 제약을 명시적으로 하드코딩하지 않고도 임계 현상(격자 모델로부터의)과 발현된 위상적 구조(TQFT 바닥 상태 및 모듈러 데이터)를 동시에 포착할 수 있음을 보여준 데 있다.

저자들은 이 접근 방식이 TQFT 파동함수의 진폭(amplitude)을 성공적으로 학습한다고 강조한다. 또한, 여기서 사용된 고전적 볼츠만 분포에는 존재하지 않는 복잡한 위상(complex phase)을 학습하기 위해서는 카이랄 위상 상의 완전한 표현을 위해 복소수 위상이 필요하다는 점을 겸허히 언급한다. 그들은 학습된 RBM 상태가 특정 부모 해밀토니안에 대한 후속 훈련을 위한 "진폭 씨앗(amplitude seeds)" 역할을 할 수 있다고 제안한다. 이 연구는 임계 지점에서의 CFT(공형장론)와 그 저에너지 위상 상태를 기술하는 TQFT 사이의 깊은 연결을 조사하는 데 있어 RBM의 유용성을 검증한다.