Machine Learning Topological Order from Defect Partition Functions

Resumo Técnico: Aprendizado de Máquina de Ordem Topológica a partir de Funções de Partição de Defeitos

Enunciado do Problema
O artigo aborda o desafio de extrair a ordem topológica e as funções de onda do estado fundamental de uma Teoria de Campo Quântico Topológico (TQFT) (2+1)-dimensional diretamente da mecânica estatística crítica de um modelo de rede (1+1)-dimensional. Especificamente, foca na TQFT Ising, que descreve anyons não-abelianos e é dual à teoria de rede de gauge $\mathbb{Z}_2$ (2+1)-dimensional. Embora métodos de Monte Carlo tenham avançado na teoria de redes de gauge, eles enfrentam desafios como o problema do sinal. Por outro lado, Estados Quânticos de Redes Neurais (NNQS), particularmente Máquinas de Boltzmann Restritas (RBMs), têm sido usados para encontrar estados fundamentais de modelos de spin. No entanto, abordagens existentes frequentemente lutam contra a convergência lenta do gradiente conforme o tamanho da rede aumenta e enfrentam dificuldades em aprender parâmetros complexos necessários para fases topológicas quirais. Além da isso, uma rota direta e baseada em dados das funções de partição de rede para funções de onda de TQFT e dados modulares (como a matriz S) ainda não foi totalmente estabelecida.

Metodologia
Os autores propõem um framework que desmembra o aprendizado das amplitudes das funções de onda das fases, focando primeiro nas amplitudes derivadas do modelo Ising crítico em um toro. A metodologia procede em três estágios principais:

1. Funções de Partição de Defeitos no Toro:
   Os autores consideram o modelo Ising 2D em um toro com condições de contorno periódicas. Eles introduzem linhas de defeito topológico (especificamente defeitos de inversão de spin $\mathbb{Z}_2$ e defeitos de dualidade de Kramers-Wannier) ao longo dos ciclos não-contraíveis $a$ e $b$. Esses defeitos correspondem à inserção de setores topológicos específicos (rotulados pelos primários conformais $1, \psi, \sigma$) na função de partição. As funções de partição para esses setores ($Z^{\text{defect}}$) são computadas usando simulações de Monte Carlo no acoplamento crítico $K_c$.

2. Treinamento de RBM e Construção da Função de Onda:
   Máquinas de Boltzmann Restritas (RBMs) são treinadas nos setores de configuração de spin amostrados desses setores de defeitos específicos no regime crítico. A RBM aprende a distribuição de probabilidade $P(v)$ das configurações de spin $v$.

   • Mapeamento de Raiz Quadrada: Um passo teórico fundamental envolve tomar a raiz quadrada componente a componente da distribuição de probabilidade aprendida pela RBM (que aproxima o peso da função de partição). Esta operação mapeia os pesos de Boltzmann clássicos para uma candidata a função de onda quântica: $|\Psi\rangle = \sum_v \sqrt{\Phi_\theta(v)} |v\rangle$.
   • Construção de Base: Ao treinar RBMs em diferentes setores de defeitos (não-torcido, torcido por inversão de spin em $x$ ou $y$, e ambos), os autores constroem um conjunto de funções de onda correspondentes a diferentes condições de contorno. Estas são combinadas linearmente para formar uma base para o espaço de Hilbert de três dimensões do estado fundamental da TQFT Ising no toro.

3. Extração de Dados Modulares:
   Os autores calculam os sobreposições entre as funções de onda definidas na geometria original do toro e aquelas definidas na geometria transformada pela transformação S modular ($\tau \to -1/\tau$). A matriz de produto interno desses estados é analisada para recuperar a matriz S modular, um invariante fundamental da TQFT.

Principais Contribuições e Resultados

• Recuperação da Estrutura Topológica: As RBMs treinadas capturam com sucesso não apenas correlações locais de vizinho mais próximo, mas também características topológicas globais. A análise da matriz de covariância de pesos da RBM ($W W^T$) revela que a rede aprende as reversões de sinal antiferromagnéticas específicas introduzidas pelas costuras de defeito de inversão de spin, codificando efetivamente a topologia do defeito não-contraível nos parâmetros da rede.
• Construção da Função de Onda: O mapeamento de raiz quadrada componente a componente da saída da RBM gera com sucesso candidatas a funções de onda para a TQFT Ising (2+1)-dimensional. Essas funções de onda correspondem aos estados fundamentais associados aos setores de identidade ($1$), férmion ($\psi$) e spin ($\sigma$).
• Recuperação da Matriz S Modular: Como um teste de consistência não trivial, os autores calcularam a matriz de sobreposição entre as bases de ciclo-x e ciclo-y derivadas das funções de onda RBM. A matriz resultante coincide com a matriz S modular esperada para o Ising:
  $$S = \frac{1}{2} \begin{pmatrix} 1 & 1 & \sqrt{2} \\ 1 & 1 & -\sqrt{2} \\ \sqrt{2} & -\sqrt{2} & 0 \end{pmatrix}$$
  Isso confirma que a representação da rede neural captura a estrutura topológica emergente e as regras de fusão corretas da teoria.
• Interpretação Física dos Parâmetros da RBM: O estudo demonstra que a "ação efetiva" da RBM (derivada da distribuição marginalizada) reproduz fielmente a correspondência geométrica e topológica do modelo de rede subjacente, mesmo no regime crítico onde os comprimentos de correlação divergem.

Significância e Alegações
O artigo afirma demonstrar uma "rota baseada em dados da mecânica estatística de rede para a teoria de campo quântico topológico". Sua principal significância reside em mostrar que as representações de redes neurais podem capturar simultaneamente flutuações críticas (da rede de lattice) e a estrutura topológica emergente (os estados fundamentais da TQFT e os dados modulares) sem codificar explicitamente as restrições topológicas na arquitetura da rede.

Os autores enfatizam que esta abordagem aprende com sucesso as amplitudes das funções de onda da TQFT. Eles observam modestamente que uma representação completa de fases topológicas quirais também exigiria o aprendizado de fases complexas, que estão ausentes na distribuição de Boltzmann clássica usada aqui. Eles sugerem que os estados RBM aprendidos poderiam servir como "sementes de amplitude" para treinamentos subsequentes de redes de valores complexos contra Hamiltonianos pais específicos. O trabalho valida a utilidade das RBMs para investigar a conexão profunda entre Teorias de Campo Conformes (CFT) no regime crítico e as TQFTs que descrevem seus estados fundamentais topológicos de baixa energia.