TetrisCNN for interpretable detection of phases of matter from experimental quantum simulator data

Technische Samenvatting: TetrisCNN voor Interpreteerbare Detectie van Fasen van Materie

Probleemstelling
Het detecteren van fasen van materie in complexe kwantumsystemen, met name die met lange-afstandsinteracties en sterke verstrengeling, blijft een centrale uitdaging. Traditionele methoden vertrouwen op het identificeren van correcte ordeparameters, een taak die vaak afhankelijk is van de intuïtie van experts en geïnformeerde gissingen, wat onhandelbaar wordt bij onbekende overgangen. Hoewel neurale netwerken alternatieven hebben geboden voor het lokaliseren van faseovergangen zonder a priori fysieke kennis, functioneren ze doorgaans als "black boxes". Ze identificeren fasen zonder de onderliggende eigenschappen toe te lichten of interpreteerbare beschrijvingen te geven. Bovendien hebben deze modellen vaak moeite met realistische, ruisgevoelige experimentele data, waarbij ruis kan fungeren als een adversariële perturbatie, en waarbij het "Rashomon-effect" (het bestaan van meerdere even voorspellende maar kwalitatief verschillende modellen) de stabiliteit van de afgeleide conclusies ondermijnt. Het uiteindelijke doel is om geautomatiseerde benaderingen te ontwikkelen die niet alleen accuraat zijn, maar ook interpreteerbaar, wat de ontdekking van nieuwe fasen en het begrip van hun fysieke eigenschappen, specifelijk de onderliggende ordeparameters, mogelijk maakt.

Methodologie: TetrisCNN Architectuur
De auteurs introduceren TetrisCNN, een convolutionele neurale netwerkarchitectuur die is ontworpen om scherpe, interpreteerbare latente representaties direct in termen van spin-correlatoren te leren. De architectuur wordt gemotiveerd door de behoefte om een expliciete drang tot "kenniscompressie" te bieden.

• Parallelle takken met diverse filters: Het netwerk bestaat uit parallelle convolutionele takken, die elk filters van verschillende vormen en maten gebruiken (vergelijkbaar met Tetris-blokken). Deze filters vertegenwoordigen kandidaat-lokale correlatoren op verschillende ruimtelijke schalen en geometrieën.
• Boolean-Fourier Mapping: Een cruciaal theoretisch component is de mapping van convolutionele operaties op Boolean-waardige spin-data naar spin-correlatoren. Door lokale convolutionele functies te combineren met Global Average Pooling (GAP), kan de output van elke tak worden uitgedrukt als een lineaire combinatie van spin-correlatoren $C[P']$ (waarbij $P'$ subpatronen zijn van het filterpatroon $P$). Dit wordt afgeleid via een Boolean Fourier-expansie.
• Sparsity Regularisatie: Om redundantie en het Rashomon-effect aan te pakken, passen de auteurs L1-regularisatie toe op de tak-outputs (de "bottleneck"). Dit bestraft de magnitude van de tak-activaties, met een specifieke strafstructuur ($\lambda_k$) die toeneemt met de complexiteit (cardinaliteit) van het filterpatroon. Dit dwingt het netwerk om automatisch een minimale subset van correlatoren te selecteren die voldoende zijn voor de leertaak, waardoor irrelevante of redundante takken worden onderdrukt.
• Rotationele Invariantie: Om de $C_4$-symmetrie van het vierkante rooster te respecteren, worden filters toegepast in alle verschillende 90°-rotaties, en de resulterende feature maps worden gemiddeld, wat zorgt voor een rotationeel invariante output.
• Taaknetwerk: De scherpe latente variabelen (tak-activaties) worden gevoed aan een standaard volledig verbonden "taaknetwerk" (classifier). Omdat de latente ruimte laagdimensionaal en fysiek interpreteerbaar is, kan de beslissingsgrens van deze classifier worden benaderd door symbolische formules (bijv. polynomen) in termen van de spin-correlatoren.

Experimentele Data en Taken
De methode wordt toegepast op ruwe projectieve meetmomenten (experimentele data) van twee Rydberg-atoom kwantumsimulatoren:

1. 2D Ising Model (Transverse-Field Ising Model): Een $8 \times 8$ array. Meetmomenten worden gemeten in de Z-basis. Het systeem ondergaat een protocol dat een crossover vormt van een Z-gepolariseerde paramagnetische staat naar een daaropvolgende transitie naar een antiferromagnetische fase.
2. XY Model: Een $6 \times 7$ rechthoekige array. Meetmomenten worden gemeten in zowel de X- als de Z-basis. Het protocol omvat een adiabatische ramp die een Néel-toestand verbindt met een ferromagnetische toestand in het XY-vlak.

De leertaak wordt geformuleerd als supervised classificatie, waarbij de meetmomenten zijn gelabeld op basis van een transitiepunt dat is geschat door diverse unsupervised methoden (Learning by Confusion, Prediction-Divergence, PCA, UMAP, Distance Learning).

Belangrijkste Resultaten

• Selectie van Scherpe Descriptoren: TetrisCNN identificeert succesvol een minimale set actieve takken die vereist zijn voor classificatie.
  • Voor de Ising-dataset blijft slechts één enkele tak overeenkomend met een $1 \times 1$ filter ($z[\blacksquare]$) actief. Deze tak brengt direct de Z-basis magnetisatie in kaart ($C_Z[\blacksquare]$).
  • Voor de XY-dataset blijven drie takken actief: $z[\blacksquare]$, $z[\blacksquare\blacksquare]$, en $z[\blacksquare\square\blacksquare]$. Deze brengen de X-basis magnetisatie in kaart ($C_X[\blacksquare]$), een rotationeel invariante naburige Z-correlator ($C_Z^{rot}[\blacksquare\blacksquare]$), en een diagonale Z-correlator ($C_Z^{rot}[\blacksquare\square\blacksquare]$).
• Symbolische Beslissingsgrenzen: De beslissingsgrenzen in de latente ruimte worden uitgedrukt als symbolische formules:
  • Ising: Een eenvoudige drempelwaarde op de Z-magnetisatie ($C_Z[\blacksquare] \approx 0.387$).
  • XY: Een kwadratisch oppervlak dat de gekwadrateerde X-magnetisatie en de geïdentificeerde Z-correlatoren bevat. De kwadratische term $C_X[\blacksquare]^2$ relateert nauw aan de in-plane ferromagnetische ordeparameter $(m^X)^2_c$.
• Interpretatie van Crossovers versus Transities: In de Ising-data detecteert het netwerk de crossover uit de gepolariseerde toestand (gedreven door Z-magnetisatieverlies) in plaats van de latere antiferromagnetische faseovergang, wat consistent is met de vloeiende aard van de crossover in eindige, ruisgevoelige experimentele data.
• Robuustheid: De geïdentificeerde takken en beslissingsregels zijn robuust tegen willekeurige initialisaties en variaties in data-pairing.

Betekenis en Claims
Het artikel beweert dat TetrisCNN de kloof overbrugt tussen high-performance machine learning en fysieke interpreteerbaarheid. De primaire bijdragen zijn:

1. Interpreteerbaarheid door Ontwerp: In tegen te contrary van post-hoc analyse methoden, produceert de architectuur van TetrisCNN inherent latente representaties die lineaire combinaties zijn van fysiek meetbare spin-correlatoren.
2. Omgaan met Experimentele Ruis: De methode wordt gedemonstreerd op ruwe, ruisgevoelige experimentele data, waarbij wordt aangetoetahui dat het betekenisvolle fysieke inzichten kan extraheren ondanks finite-size effecten, decoherentie en meetfouten.
3. Onthullen van Taak-Afhankelijke Fysica: De auteurs benadrukken dat de geïdentificeerde observabelen diegene zijn die het meest nuttig zijn voor de specifieke leertaak (classificatie), wat mogelijk niet samenvalt met conventionele ordeparameters. Bijvoorbeeld, in het geval van XY combineert het netwerk de fysiek verwachte gekwadrateerde X-magnetisatie met Z-basis correlatoren die een sterkere single-snapshot discriminatie bieden, een nuance die een black-box model zou verhullen.
4. Modelselectie: De sparsity regularisatie fungeert als een modelselectiemechanisme dat het Rashomon-effect navigeert om de eenvoudigste, meest interpreteerbare oplossing te vinden onder vele functioneel equivalente modellen.

De auteurs positioneren TetrisCNN als een stap naar "machine-assisted discovery", waarbij interpreteerbare netwerken scherpe representaties van complexe kwantumdata kunnen bieden, wat een dialoog tussen experiment, theorie en datagestuurde modellen faciliteert. Zij merken beperkingen op, zoals de huidige focus van de implementatie op lokale correlatoren en de noodzaak om de branch-dictionary uit te breiden om niet-lokale of string-achtige correlaties te vangen voor meer exotische fasen.