Machine Learning Topological Order from Defect Partition Functions

Technische Samenvatting: Machine Learning van Topologische Orde uit Defect Partitiefuncties

Probleemstelling
Het artikel behandelt de uitdaging om topologische orde en grondtoestandsgolffuncties van een (2+1)-dimensionale Topologische Kwantumveldentheorie (TQFT) rechtstreeks te extraheren uit de kritische statistische mechanica van een (1+1)-dimensionaal roostermodel. Specifiek richt het zich op de Ising TQFT, die niet-abelse anyonen beschrijft en duaal is aan de (2+1)-dimensionale $\mathbb{Z}_2$ rooster-veldentheorie. Hoewel Monte Carlo-methoden de voortgang in rooster-veldentheorie hebben bevorderen, kampen zij met problemen zoals het tekenprobleem (sign problem). Omgekeerd zijn Neural Network Quantum States (NNQS), in het bijzonder Restricted Boltzmann Machines (RBMs), gebruikt om grondtoestanden van spinmodellen te vinden. Echter, bestaande benaderingen worstelen vaak met trage gradiëntconvergentie naarmate de roostergrootte toeneemt en ervaren moeilijkheden bij het leren van complexe parameters die vereist zijn voor chirale topologische fasen. Bovendien is een directe, datagestuurde route van roosterpartitiefuncties naar TQFT-golffuncties en modulaire data (zoals de S-matrix) nog niet volledig gevestigd.

Methodologie
De auteurs stellen een raamwerk voor dat het leren van de amplitudes van de golffunctie scheidt van de fasen, waarbij eerst wordt gefocust op de amplitudes afgeleid van het kritische Ising-model op een torus. De methodologie verloopt in drie hoofdfasen:

1. Defect Partitiefuncties op de Torus:
   De auteurs beschouwen het 2D Ising-model op een torus met periodieke randvoorwaarden. Zij introduceren topologische defectlijnen (specifiek spin-flip $\mathbb{Z}_2$ defecten en Kramers-Wannier dualiteitsdefecten) langs de niet-contractibele $a$- en $b$-cycli. Deze defecten komen overeen met het invoegen van specifieke topologische sectoren (gelabeld door conformale primaires $1, \psi, \sigma$) in de partitiefunctie. De partitiefuncties voor deze sectoren ($Z^{\text{defect}}$) worden berekend met behulp van Monte Carlo-simulaties bij de kritische koppeling $K_c$.

2. RBM Training en Golffunctie Constructie:
   Restricted Boltzmann Machines (RBMs) worden getraind op de spinconfiguraties gesampled uit deze specifieke defectsectoren bij kritikaliteit. De RBM leert de waarschijnlijkheidsverdeling $P(v)$ van de spinconfiguraties $v$.

• Vierkantswortel-mapping: Een cruciale theoretische stap is het nemen van een componentgewijze vierkantswortel van de geleerde RBM-waarschijnlijkheidsverdeling (die de klassieke Boltzmann-gewichten benadert). Deze operatie brengt de klassieke Boltzmann-gewichten in kaart naar een kandidaat-kwantumgolffunctie: $|\Psi\rangle = \sum_v \sqrt{\Phi_\theta(v)} |v\rangle$.
• Basis Constructie: Door RBMs te trainen op verschillende defectsectoren (onveranderd, spin-flip getwist in $x$ of $y$, en beide), construeren de auteurs een verzameling golffuncties die overeenkomen met verschillende randvoorwaarden. Deze kunnen lineair gecombineerd worden om een basis te vormen voor de driedimensionale grondtoestands-Hilbertruimte van de Ising TQFT op de torus.

3. Extractie van Modulaire Data:
   De auteurs berekenen de overlappen tussen de golffuncties gedefinieerd op de oorspronkelijke torusgeometrie en die gedefinieerd op de geometrie die getransformeerd is door de modulaire S-transformatie ($\tau \to -1/\tau$). De inproductmatrix van deze toestanden wordt geanalyseerd om de modulaire S-matrix te herstellen, een fundamentele invariant van de TQFT.

Belangrijkste Bijdragen en Resultaten

• Herstel van de Topologische Structuur: De getrainde RBMs leggen niet alleen lokale naburige correlaties vast, maar ook globale topologische kenmerken. De analyse van de RBM-gewichtscovariantiematrix ($W W^T$) laat zien dat het netwerk de specifieke anti-ferromagnetische tekenomkeringen die door de spin-flip defect-naden worden geïntroduceerd, effectief leert; dit codeert de niet-contractibele defecttopologie in de netwerkparameters.
• Golffunctie Constructie: De componentgewijze vierkantswortel-operatie op de RBM-output genereert succesvol kandidaat-golffuncties voor de (2+1)-dimensionale Ising TQFT. Deze golffuncties komen overeen met de grondtoestanden geassocieerd met de identiteit ($1$), fermion ($\psi$) en spin ($\sigma$) sectoren.
• Modulaire S-Matrix Herstel: Als een niet-triviale consistentiecontrole berekenden de auteurs de overlapmatrix tussen de x-cyclus en y-cyclus bases afgeleid van de RBM-golffuncties. De resulterende matrix komt overeen met de verwachte Ising modulaire S-matrix:
  $$S = \frac{1}{2} \begin{pmatrix} 1 & 1 & \sqrt{2} \\ 1 & 1 & -\sqrt{2} \\ \sqrt{2} & -\sqrt{2} & 0 \end{pmatrix}$$
  Dit bevestigt dat de neurale netwerkrepresentatie de emergente topologische structuur en de correcte fusieregels van de theorie vastlegt.
• Fysieke Interpretatie van RBM Parameters: De studie toont aan dat de "effectieve actie" van de RBM (afgeleid van de gemarginaliseerde verdeling) de geometrische en topologische correspondentie van het onderliggende roostermodel getrouw reproduceert, zelfs bij kritikaliteit waar correlatielengtes divergeren.

Betekenis en Claims
Het artikel claimt een "datagestuurde route van rooster statistische mechanica naar topologische kwantumveldentheorie" te hebben aangetoond. De primaire betekenis ligt in het feit dat het aantoont dat neurale netwerkrepresentaties gelijktijdig zowel kritische fluctuaties (van het roostermodel) als emergente topologische structuren (de TQFT grondtoestanden en modulaire data) kunnen vastleggen zonder de topologische restricties expliciet in de netwerkarchitectuur te coderen.

De auteurs benadrukken dat deze benadering succesvol de amplitudes van de TQFT-golffuncties leert. Zij merken bescheiden op dat een volledige representatie van chirale topologische fasen ook het leren van complexe fasen zou vereisen, die afwezig zijn in de klassieke Boltzmann-verdeling die hier wordt gebruikt. Zij suggereren dat de geleerde RBM-toestanden als "amplitude-zaden" kunnen dienen voor daaropvolgende training van complex-waardige netwerken tegen specifieke ouder-Hamiltonianen. Het werk valideert het nut van RBMs bij het verkennen van de diepe verbinding tussen Conforme Veldtheorieën (CFT) bij kritikaliteit en de TQFT's die hun laag-energetische topologische fasen beschrijven.