From Classical to Quantum: Extending Prometheus for Unsupervised Discovery of Phase Transitions in Three Dimensions and Quantum Systems

Each language version is independently generated for its own context, not a direct translation.

Van Klassiek naar Quantum: Prometheus Ontdekt de Geheime Wereld van Materie

Stel je voor dat je een enorme, onbekende stad verkent. Je hebt geen kaart, geen gids en je weet niet eens of er straten, parken of gebouwen zijn. Je moet de structuur van deze stad zelf ontdekken door alleen maar naar de mensen te kijken die er lopen.

Dit is precies wat natuurkundigen proberen te doen met materiaal. Ze willen weten hoe atomen zich gedragen, wanneer ze van "toestand" veranderen (bijvoorbeeld van een vloeibare magnetische vloeistof naar een vaste magneet), en waarom dit gebeurt.

Deze paper introduceert Prometheus, een slim computerprogramma dat deze stad verkent zonder dat iemand het eerst de weg wijst. Het is een "onbewaakte" ontdekker die zelf patronen leert begrijpen.

Hier is hoe het werkt, vertaald in alledaags taal:

1. De Oude Manier vs. De Nieuwe Manier

Vroeger deden wetenschappers het zo: ze kenden de stad al een beetje. Ze zeiden: "Kijk, hier zijn de huizen (fase A) en daar de parken (fase B)." Ze trainden computers om deze bekende gebieden te herkennen. Dit is toezicht (supervised learning).

Het probleem: Als je een compleet nieuwe stad binnenkomt waar niemand ooit is geweest, werkt dit niet. Je kunt de computer niet leren iets te herkennen dat je zelf nog niet kent.

Prometheus doet het anders. Het krijgt een berg foto's van de stad, maar krijgt geen labels. Het moet zelf ontdekken: "Hé, deze mensen hier lopen allemaal in dezelfde richting, en daar verandert plotseling alles. Dat moet een belangrijke grens zijn!"

2. De Uitbreiding: Van 2D naar 3D en Quantum

In een eerdere versie had Prometheus al de "platte" stad (2D) verkend. Maar de echte wereld is drie-dimensionaal (3D) en soms zelfs quantum (waar de regels van de zwaartekracht en tijd anders zijn).

De auteurs stelden twee grote vragen:

Kan het grotere, complexere steden aan? (3D-systemen, waar we geen perfecte kaarten hebben).
Kan het de "Quantum-stad" begrijpen? (Waar atomen niet als balletjes bewegen, maar als golven die op meerdere plekken tegelijk kunnen zijn).

3. De Magische Tool: De "Korte Samenvatting" (VAE)

Hoe doet Prometheus dit? Het gebruikt een techniek genaamd een Variational Autoencoder (VAE).

De Analogie: Stel je voor dat je duizenden foto's van de stad hebt. Prometheus probeert deze foto's in een heel klein notitieboekje te proppen (compressie).
Het Geheim: Om de foto's goed te kunnen samenvatten, moet het programma de belangrijkste dingen onthouden en de rommel weggooien.
De Ontdekking: Bij een fase-overgang (bijvoorbeeld wanneer ijs smelt of een magneet zijn kracht verliest), verandert er één ding heel drastisch in de stad. Prometheus merkt dit op: "Oh, deze ene variatie in de foto's is het belangrijkst!" Dat ene ding is de orde-parameter (de sleutel tot het begrijpen van de toestand). Het programma heeft de sleutel dus zelf gevonden, zonder dat iemand het hem leerde.

4. Wat hebben ze ontdekt?

A. De 3D-Stad (Klassieke Systemen)

Ze testten Prometheus op een 3D-magnetisch rooster (de 3D Ising-modellen).

Resultaat: Het programma vond precies waar de temperatuur veranderde waardoor het materiaal van gedrag veranderde. Het zat binnen 0,01% van de waarde die de beste menselijke berekeningen hadden.
Betekenis: Het werkt zelfs in complexe werelden waar we geen perfecte antwoorden hebben. Het kan de "snelheid" van veranderingen (de exponenten) ook goed schatten.

B. De Quantum-Stad (Zonder Warmte)

Vervolgens gingen ze naar de Quantum-wereld. Hier is het niet warmte die de atomen laat dansen, maar quantum-fluctuaties (een soort onzekerheid in de natuur).

Het probleem: Quantum-golven zijn complex (ze hebben een "reëel" en een "imaginaire" kant). Prometheus kreeg een speciale bril op (een Quantum-VAE) om deze golven te zien.
Resultaat: Het vond de exacte plek waar het materiaal van toestand veranderde (het kritieke punt) met 2% foutmarge. Het ontdekte zelfs dat de atomen zich als een magneet gedroegen, iets dat het programma zelf bedacht had.

C. De Grootste Triomf: De "Exotische" Stad (Gestoorde Systemen)

Dit is het meest spannende deel. Ze keken naar een stad met veel wanorde (disorder), waar de atomen niet netjes staan maar willekeurig verspreid zijn.

De Theorie: Wetenschappers dachten dat in zo'n chaotische stad de veranderingen heel langzaam en "geactiveerd" zouden gebeuren (als een tunnel die je moet graven door een berg, in plaats van een rechte weg). Dit heet geactiveerde schaling.
De Ontdekking: Prometheus zag dit patroon zonder dat iemand het vertelde. Het programma merkte op: "De veranderingen hier gedragen zich niet zoals normaal, maar als een tunnel!"
Het Resultaat: Het berekende een getal (de tunnel-exponent) dat bijna exact overeenkwam met de theorie. Dit betekent dat Prometheus niet alleen weet waar de grens ligt, maar ook wat voor soort grens het is. Het kan nieuwe, exotische soorten natuur ontdekken die we nog niet kenden.

5. Waarom is dit belangrijk?

Stel je voor dat je een nieuwe planeet ontdekt.

Supervised Learning (Oude manier): Zegt: "Hier zijn de bergen, want op de foto's zie ik pieken." (Maar als er geen bergen zijn, ziet hij niets).
Prometheus (Nieuwe manier): Zegt: "Ik zie hier een vreemd patroon in de wind en de grond. Het lijkt alsof er een nieuw type landschap is dat we nog niet hebben gezien. Laten we dat bestuderen."

Conclusie:
Deze paper toont aan dat kunstmatige intelligentie niet alleen kan helpen om bekende dingen sneller te tellen, maar dat het een ontdekkingsreiziger kan zijn. Het kan de geheimen van de natuur onthullen in systemen die te complex zijn voor menselijke berekeningen en waar we niet eens weten wat we moeten zoeken. Het is een gereedschap om de grenzen van onze kennis uit te breiden, van simpele magneten tot de raadselachtige wereld van quantum-materie.

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het paper "FROM CLASSICAL TO QUANTUM: EXTENDING PROMETHEUS FOR UNSUPERVISED DISCOVERY OF PHASE TRANSITIONS IN THREE DIMENSIONS AND QUANTUM SYSTEMS", geschreven in het Nederlands.

Titel en Context

Het paper beschrijft de uitbreiding van het Prometheus-framework, een systeem voor onbeheerde (unsupervised) ontdekking van faseovergangen. Waar eerdere werk zich beperkte tot tweedimensionale (2D) klassieke systemen (zoals het 2D Ising-model), breiden de auteurs dit framework uit naar driedimensionale (3D) klassieke systemen en kwantumveeldeeltjessystemen. Het doel is om kritieke punten, ordeparameters en kritieke exponenten te ontdekken zonder voorafgaande kennis van de fysische structuur of gelabelde data.

1. Het Probleem

Traditionele methoden voor het bestuderen van faseovergangen hebben te maken met de volgende beperkingen:

Supervised Learning: Vereist gelabelde data (de fasen moeten al bekend zijn). Dit maakt het onmogelijk om nieuwe of onverwachte fasen te ontdekken of kritieke eigenschappen (zoals exponenten) te extraheren zonder menselijke tussenkomst.
Analytische Oplossingen: Voor veel interessante systemen (zoals het 3D Ising-model of kwantum-systemen met wanorde) bestaan er geen exacte analytische oplossingen. Numerieke methoden (zoals Monte Carlo) zijn vaak tijdrovend en vereisen gespecialiseerde expertise.
Kwantum vs. Klassiek: Kwantum-faseovergangen (bij $T=0$ ) worden gedreven door kwantumfluctuaties in plaats van thermische fluctuaties en vereisen complexe golffuncties (complexe getallen), wat standaard machine learning-architecturen uitdaagt.

De kernvragen van dit onderzoek zijn:

Schaal het framework naar hogere dimensies waar geen exacte oplossingen bestaan?
Generaliseert het framework naar kwantum-systemen met fundamenteel andere fysica?

2. Methodologie: Het Prometheus Framework

Het framework maakt gebruik van Variational Autoencoders (VAE's). Het fundamentele principe is dat een VAE, door hoge-dimensionale data (spinconfiguraties of golffuncties) te comprimeren naar een lage-dimensionale latente ruimte ( $z$ ), de dominante variatiebronnen in de data moet leren identificeren. Nabij een faseovergang is deze dominante variatie de ordeparameter.

A. Architecturale Aanpassingen

3D Klassieke Systemen (3D Ising-model):
- Gebruik van 3D Convolutional Neural Networks (CNN's) om volumetrische spinconfiguraties ( $L \times L \times L$ ) te verwerken.
- De encoder reduceert de ruimtelijke dimensies via convolutielagen, terwijl de decoder de data reconstrueert.
- De loss functie is gebaseerd op reconstructiefout (MSE) en KL-divergentie.
Kwantum Systemen (Transverse Field Ising Model - TFIM):
- Aangepast tot Quantum-Aware VAE (Q-VAE).
- Input: Complexe golffuncties $|\psi\rangle$ , gerepresenteerd als reële vectoren $[\text{Re}(c), \text{Im}(c)]$ .
- Architectuur: Volledig verbonden lagen (Fully Connected) om niet-lokale verstrengeling (entanglement) te vangen.
- Loss Functie: In plaats van MSE wordt een fidelity-based loss gebruikt: $L = 1 - |\langle \psi | \psi_{\text{recon}} \rangle|^2$ . Dit is fase-invariant en meet de fysieke overeenkomst tussen de oorspronkelijke en gereconstrueerde kwantumtoestand.

B. Detectie en Analyse

Ordeparameter Ontdekking: De latent dimensie met de grootste variantie over de controleparameter (temperatuur $T$ of veld $h$ ) wordt geïdentificeerd als de ordeparameter.
Kritieke Punten: Bepaald via een ensemble van methoden: piek in latente susceptibiliteit, maximum in reconstructiefout, maximale gradient van de ordeparameter, en kruising van Binder-cumulanten.
Kritieke Exponenten: Geëxtraheerd via Finite-Size Scaling (FSS) en data-collapse technieken.
Universiteitsklassen: Geïdentificeerd door een $\chi^2$ -vergelijking van de geëxtraheerde exponenten met theoretische waarden.
Geactiveerde Schaling (Activated Scaling): Voor wanordelijke systemen wordt getest of de correlatielengte volgt naar een logaritmische schaling ( $\ln \xi \sim |h-h_c|^{-\psi}$ ) in plaats van een machtswet, wat kenmerkend is voor het Infinite-Randomness Fixed Point (IRFP).

3. Belangrijkste Resultaten

A. 3D Ising Model (Klassiek)

Kritieke Temperatuur: Gedetecteerd met een nauwkeurigheid van 0,01% ( $T_c/J = 4.511 \pm 0.005$ ) vergeleken met de literatuurwaarde ($4.5115$).
Ordeparameter: Sterke correlatie ( $r = 0.997$ ) tussen de gevonden latente variabele en de fysieke magnetisatie.
Kritieke Exponenten: Geëxtraheerd met een gemiddelde nauwkeurigheid van >70% voor $\beta, \gamma, \nu, \eta$ .
Universiteitsklasse: De $\chi^2$ -analyse identificeerde correct de 3D Ising-universiteitsklasse ( $p=0.72$ ) en verwierp andere klassen.
Conclusie: Het framework werkt effectief in systemen zonder exacte analytische oplossingen.

B. Schone Kwantum Systemen (Clean TFIM)

Kritiek Kwantumpunt: Gedetecteerd met 2% nauwkeurigheid ( $h_c/J = 1.00 \pm 0.02$ ) tegenover de exacte waarde ($1.0$).
Ordeparameter: Correlatie van $r = 0.97$ met de grondtoestand-magnetisatie $\langle \sigma_z \rangle$ .
Exponenten: Alle geëxtraheerde exponenten ( $\nu, z, \beta$ ) vallen binnen één standaardafwijking van de exacte waarden.
Significantie: Bevestigt dat het VAE-principe generaliseert van thermische naar kwantumfluctuaties.

C. Wanordelijke Kwantum Systemen (Disordered TFIM)

Dit is het meest opmerkelijke resultaat van het paper:

Ontdekking van Exotische Kritikaliteit: Het framework detecteerde automatisch infinite-randomness criticality (IRFP) in het disordered transverse field Ising model.
Geactiveerde Dynamische Schaling: In plaats van een standaard machtswet, identificeerde het model de logaritmische schaling $\ln \xi \sim |h-h_c|^{-\psi}$ .
Tunneling Exponent: De geëxtraheerde exponent was $\psi = 0.48 \pm 0.08$ , wat uitstekend overeenkomt met de theoretische voorspelling van $\psi = 0.5$ .
Statistische Onderbouwing: Een Bayesiaanse informatiecriterium (BIC) en $\Delta \chi^2$ analyse toonden sterke statistische bewijzen ( $p < 0.001$ ) dat de geactiveerde schaling beter past dan de machtswet.
Betekenis: Dit toont aan dat onbeheerd leren niet alleen kritieke punten kan vinden, maar ook kwalitatief verschillende soorten kritisch gedrag kan identificeren zonder voorafgaande kennis.

4. Bijdragen en Significantie

Generalisatie over Domeinen: Het paper bewijst dat een enkele onbeheerde methode (VAE) werkt voor klassieke thermische overgangen, kwantum-overgangen bij $T=0$ , en systemen met wanorde.
Quantitative Discovery: Het framework levert kwantitatieve resultaten (kritieke punten en exponenten) die concurreren met gespecialiseerde numerieke methoden, maar zonder menselijke tussenkomst of labels.
Hypothese-generatie: De detectie van geactiveerde schaling in het disordered TFIM is een voorbeeld van echte "ontdekking". Het systeem stelde een nieuwe hypothese op over het type kritikaliteit, wat vaak onmogelijk is voor traditionele methoden die op bekende patronen zijn getraind.
Praktische Toepasbaarheid: Het biedt een geautomatiseerde pipeline voor het verkennen van fase-diagrammen in complexe systemen (zoals gefrustreerde magneten, topologische fasen en kwantummaterialen) waar de fysica nog onbekend is.

5. Conclusie

De auteurs concluderen dat het Prometheus-framework een robuust instrument is voor de ontdekking van fysica in gebieden waar analytische methoden falen. Door te schalen van 2D naar 3D en van klassiek naar kwantum, en door exotische fenomenen zoals IRFP te detecteren, positioneert dit werk machine learning niet alleen als een analyse-tool, maar als een ontdekkingsmotor voor de natuurkunde. De methode biedt een template voor AI-gestuurde wetenschap die menselijke intuïtie versterkt door het verkennen van enorme parameter ruimtes en het blootleggen van verborgen structuren.