Foundation Neural Effective Hamiltonian for Strongly Correlated Quantum Materials

기술 요약: 강상관 양자 물질을 위한 파운데이션 뉴럴 에펙티브 해밀토니안 (Foundation Neural Effective Hamiltonian)

문제 정의
강상한 양자 물질을 시뮬레이션하려면 단일 해밀토니안이 아니라, 조절 가능한 결합(예: 상호작용 강도, 압력, 도핑 또는 외부 장)에 의해 매개변수화된 해밀토니안 패밀리를 풀어야 하는 경우가 많습니다. 뉴럴 양자 상태(Neural Quantum States, NQS)가 정확한 변분 안사테제(variational ansatz)로 부상했고, 파운데이션 뉴럴 양자 상태(Foundation Neural Quantum States, FNQS)가 다양한 결합 범위에 걸쳐 단일 모델을 학습함으로써 계산을 전이(amortize)하는 경로를 제공하지만, 이들은 두 가지 결정적인 한계에 직면해 있습니다:

1. 정확도 저하: FNQS 예측은 상전이, 레벨 교차(level crossings), 또는 상관 패턴의 급격한 변화가 있는 영역 근처에서 취약해질 수 있으며, 종종 상 경계를 잘못 식별합니다.
2. 샘플링 비용: FNQS로 여러 타겟 결합을 평가하는 것은 일반적으로 각 지점에 대해 반복적인 몬테카를로 샘플링을 필요로 하며, 이는 타겟 해밀토니안의 수에 따라 선형적으로 증가하는 계산 비용을 초래합니다.

반대로, 에이겐벡터 컨티뉴에이션(Eigenvector Continuation, EC)과 같은 전통적인 부분 공간 방법은 인접한 상태들을 효율적으로 재구성하기 위해 고유 상태들로부터 압축된 부분 공간을 구축합니다. 그러나 이러한 부분 공간을 구축하는 과정은 대개 각 기저 상태에 대해 값비싼 독립적인 다체 계산을 요구하며, 이는 거대 시스템이나 조밀한 매개변수 스캔의 경우 확장성이 떨어집니다.

방법론: 파운데이션 뉴럴 에펙티브 해밀토니안 (FNEH)
저자들은 선택된 결합에서 샘플링된 FNQS 파동함수로 생성된 압축된 부분 공간으로 해밀토니안 패밀리를 투영하는 프레임워크인 FNEemann FNEH를 소개합니다. 이 방법은 다음과 같이 작동합니다:

1. 파운데이션 모델 학습: 선택된 훈련 지점들에서 에너지 기대값을 최소화하는 손실 함수를 사용하여 $\Lambda_{train}$ 상의 FNQS를 학습시킵니다. Psiformer 기반의 아키텍처는 해밀토니안 매개변수를 전자 좌표와 함께 특징(feature)으로 임베딩하여 조건부 파동함수 진폭 $\Psi(\lambda, R)$을 출력합니다.
2. 부분 공간 구축: 새로운 파동함수를 모든 타겟 결합에 대해 최적화하는 대신, FNEH는 사전 학습된 FNQS로부터 특정 매개변수 지점에서의 $N_{state}$ 개의 기저 상태 $\{|\Psi(\lambda_i)\rangle\}$를 선택합니다.
3. 에펙티브 해밀토니안 정식화: 매개변수에 선형적인 해밀토니안 $\hat{H}(\lambda) = \sum_k \lambda_k \hat{h}_k$에 대해, 방법론은 매개변수 독립적인 행렬 $\hat{A}_k$를 구성합니다:
   $$\hat{A}_k = \hat{S}^{-1} \tilde{h}_k$$
   여기서 $\tilde{h}_k$와 $\hat{S}$는 기저 상태들 사이에서 계산된 연산자 및 중첩(overlap) 행렬입니다. 임의의 타겟 $\lambda$에 대한 에펙티브 해밀토니안은 $\hat{H}_{FNEH}(\lambda) = \sum_k \lambda_k \hat{A}_k$로 재구성됩니다.
4. 디터미넌트-스테이트 샘플링 (Determinant-State Sampling, DSS): 중첩 행렬 $\hat{S}$를 역행렬로 만드는 과정에서 발생하는 통계적 노이즈 증폭을 피하고 행렬 원소를 효율적으로 계산하기 위해, 저자들은 DSS를 사용합니다. 이는 기저 상태 행렬의 디터미넌트 확률 분포로부터 확장된 전자 구성을 샘플링하여 $\hat{A}_k$를 안정적으로 추정하는 과정을 포함합니다.
5. 변분적 개선: 행렬이 샘플링되면, 작은 $N_{state} \times N_{state}$ 행렬 $\hat{H}_{FNEH}(\lambda)$를 대각화하여 타겟 $\lambda$에 대한 바닥 상태를 찾습니다. 이는 기저 상태들을 변분적으로 결합하여 단일 기저 상태보다 더 나은 근사를 제공합니다.

주요 기여

• 하이브리드 프레임워크: FNEH는 파운데이션 모델의 전이성(transferability)과 부분 공간 투영 방법의 변분적 정확도를 통합합니다. 이는 추가적인 타겟별 최적화를 요구하지 않으며, 기저 상태들은 사전 학습된 FNQS로부터 순수하게 추론(inference)을 통해 생성됩니다.
• 상전이 해상도: 서로 다른 매개로 인한 기저 상태들을 변분적으로 결합함으로써, FNEH는 기초 모델이 오인하거나 뭉개버릴 수 있는 바닥 상태 브랜치와 상 경계를 복구할 수 있습니다.
• 계산 효율성: FNEH는 $\hat{A}_k$를 구축하기 위한 비용이 드는 샘플링 단계를 매개변수 스윕으로부터 분리합니다. 이후의 결합, 관측량 및 상 경계 평가는 시스템 크기가 아닌 에펙티브 해밀토니안의 작은 차원에 따라서만 스케일링됩니다.

결과
저자들은 풍부한 강상관 및 위상학적 상을 가진 플랫폼인 모아레 포텐셜 내 상호작용하는 전자들의 연속체 모델에 대해 FNEH를 입증했습니다.

• 정확도: "최적 참조(optimal reference)"(각 지점에 대해 별도로 최적화된 NQS) 및 Exact Diagonalization (ED)와 벤치마킹했을 때, FNEH는 원시(raw) FNQS보다 성능이 크게 뛰어납니다. 구체적으로, FNQS가 전하 밀도 파동(CDW) 상을 잘못 예측하는 영역에서 FNEH는 페르미 액체(FL) 상을 올바르게 복구하고 정확한 상 경계 위치(예: $\phi \approx 40.2^\circ$ 근처)를 찾아냅니다.
• 에너지 저하: FNEH는 단일 FNQS 예측에 비해 체계적으로 변분 에너지를 낮추며, 테스트된 영역에서 전자당 최대 $\approx 0.1$ meV의 개선을 보였습니다.
• 고해상도 스캔: 이 방법은 다차원 상 스캔(예: 포텐셜 강도 $V_0$ 및 위상 $\phi$에 대한 스캔)을 신속하게 수행할 수 있게 합니다. 결과적인 포텐셜 에너지 표면은 원시 FNQS 예측에서 흐릿하게 나타나는 날카로운 CDW-to-FL 전이를 명확하게 해상합니다.
• 비용 절감: 계산 시간 분석에 따르면, FNQS 및 최적 참조 방법의 비용은 타겟 상태의 수에 따라 선형적으로 증가하는 반면, FNEH 비용은 초기 행렬 구축 이후에는 거의 일정하게 유지됩니다. FNEH는 약 12개 이상의 타겟 상태를 스캔할 때 FNQS보다 더 효율적이 됩니다.

의의
본 논문은 FNEH가 파운데이션 모델을 사용하여 강상관 양자 물질을 연구하는 새로운 길을 열었다고 주장합니다. FNQS를 매개변수 조건부 예측기에서 재사용 가능한 변분적 해밀토니안 프레임워크로 변환함으로써, 이는 상전이 근처의 정확도 문제와 샘플링 비용의 스케일링 문제를 동시에 해결합니다. 저자들은 이 접근 방식이 다양한 해밀토니안 패밀리(격자 페르미온, 스핀, 분자)에 광범위하게 적용 가능하며, 매번 전체 최적화나 샘플링을 수행해야 하는 과도한 비용 없이 효율적인 파운데이션 모델 기반 양자 다체 시뮬레이션을 향한 일반적인 경로를 제공한다고 강조합니다.