Distinguishing Ordered Phases using Machine Learning and Classical Shadows

本文提出了一种可扩展且高效的框架，该框架将经典阴影与无监督机器学习相结合，利用受限的局域可观测量集合实现了对数级样本复杂度，从而有效识别轴向次近邻伊辛模型和Kitaev-海森堡系统等模型中的量子相变。

要点

想象一下，你正试图整理一大堆杂乱无章、混在一起的袜子。有些是红色的，有些是蓝色的，有些有条纹，有些则是纯色的。如果你试图查看每只袜子上的每一根线，以确定它属于哪一堆，那你永远也做不完。这本质上就是物理学家在研究量子材料时面临的问题。这些材料由无数微小的粒子（量子比特）组成，它们以极其复杂的方式相互作用。为了理解材料处于何种“相”（例如磁体、液体或某种奇特的新物质状态），科学家通常需要进行全面测量，但这是不可能的，因为数据量呈指数级增长。

本文提出了一种巧妙的捷径：将机器学习与一种称为经典阴影（Classical Shadows）的技术相结合。以下是他们如何做到的简单解释。

问题：“指数级”大山

将量子系统想象成一个巨大的图书馆，其中每一本书都代表宇宙的一种可能状态。随着你增加更多的书（量子比特），图书馆不仅仅变得更大，而是呈爆炸式增长。传统方法试图阅读每一本书以寻找模式。这既太慢，又太昂贵。

解决方案：“阴影”技巧

作者使用了一种称为经典阴影的方法。想象一下，你想知道一个三维物体长什么样，但你无法看到它的整体。与其试图拍摄整个物体，不如从几个随机角度向它照射光线，并观察它在墙上投下的阴影。

• 类比：虽然阴影只是三维物体的二维切片，但如果你拍摄足够多的随机阴影，你就可以在不看到整体的情况下，通过数学重建物体的关键特征。
• 在论文中：他们利用随机测量对量子系统进行了“快照”。与其需要数百万次测量来描述整个系统，他们只需要极少量的这些“阴影”就能准确推测特定部分的行为（例如两个自旋如何相互作用）。这使得过程变得极其快速和高效。

侦探工作：机器学习

一旦他们获得了这些高效的快照，就需要对它们进行分类。他们使用机器学习（具体是一种称为 K-Means 的算法）作为数字侦探。

• 类比：想象你有一袋颜色各异的大理石，但它们都混在一起。你无法直接看到颜色，但你可以感知它们的重量和质地（即“阴影”）。你告诉计算机：“根据它们的触感将这些大理石分组。”计算机在数据中寻找模式，然后说：“这 10 颗大理石感觉像‘红色’，这 10 颗感觉像‘蓝色’，而这 10 颗感觉像‘绿色’。”
• 结果：计算机仅通过观察这些简化的模式，成功地将量子态分成了不同的“相”（如铁磁、顺磁或自旋液体）。

两个测试案例

作者在两种特定的量子材料“玩具模型”上测试了这种方法，以验证其是否有效：

1. ANNNI 模型（“受挫”磁体）：

   • 想象这是一排手拉手的人。有些人想朝同一个方向，有些人想朝相反方向，而一阵风（磁场）正吹向他们。
   • 结果：该方法成功识别了这条线的不同“情绪”（有序、无序或交替模式）。然而，它在小型系统中难以发现一种非常微妙的“浮动”相，这就像试图在一小块天空中识别特定类型的云一样。作者指出，在更大的系统（更多量子比特）中，这可能会效果更好。

2. Kitaev-Heisenberg 梯子（“奇异”梯子）：

   • 这是一个更复杂的结构，就像一架梯子，其横档和侧边遵循不同的规则。它具有“自旋液体”相，这是一种即使在绝对零度下也永不冻结的物质状态。
   • 挑战：标准测量（观察邻居）无法区分“自旋液体”和“有序”相。这就像试图仅通过观察一滴水来区分水和冰一样。
   • 解决方案：作者添加了一种特殊的“六自旋”测量（即格点算符）。想象一下，这就像一次观察六个人，而不仅仅是两个人。这种特殊的群体视角充当了独特的“指纹”，清晰地识别出自旋液体相。
   • 结果：通过将标准邻居检查与这种特殊群体检查相结合，机器学习算法完美地分类了这些相，识别出四种不同的有序态和两种奇异的自旋液体态。

为什么这很重要

论文声称，这种混合方法是一个强大的工具，因为：

• 高效：它不需要测量一切。它利用“阴影”技巧，用极少的测量次数获取正确的数据。
• 可扩展：随着系统变大，这种方法仍然保持可控，而旧方法则会崩溃。
• 适用于小型计算机：他们证明了即使在小型量子系统（12 个量子比特）上也能工作，这表明它在未来更大的量子计算机上效果会更好。

简而言之，作者构建了一个系统，利用随机快照创建量子世界的简化地图，然后让人工智能在该地图上绘制不同相之间的边界。这是一种无需数清每一片叶子就能看见森林的方法。

技术摘要

技术摘要：利用机器学习和经典阴影区分有序相

问题陈述
分类多体系统中的量子相变是一个根本性挑战，特别是随着系统尺寸的增加和希尔伯特空间的指数级增长。依赖序参量和关联函数的传统方法往往难以应对高维系统和拓扑相，因为在这些情况下标准可观测量会失效。虽然机器学习（ML）为在不预先了解序参量的情况下识别相提供了一种有前景的替代方案，但它高度依赖高质量的输入数据。通过经典模拟（如量子蒙特卡洛、矩阵乘积态）生成此类数据对于大系统而言在计算上变得不可行，而完全变分量子方法则面临诸如 barren plateaus（ barren 高原）等实际障碍。此外，在量子硬件上表征量子态所需的测量开销随量子比特数量呈指数级增长，造成了数据获取的瓶颈。

方法论
作者提出了一种混合量子 - 经典框架，将经典阴影（Classical Shadows）层析技术与无监督机器学习（具体为 K-Means 聚类）相结合，以高效识别量子相。方法论结构如下：

1. 经典阴影协议：作者利用经典阴影协议来估计特定可观测量的期望值，而非执行完整态层析，从而显著减少测量次数。他们采用基于单量子比特 Clifford 幺正算符的随机测量。

   • 特征选择：为确保可扩展性，作者限制了测量可观测量的集合。对于轴向次近邻伊辛（ANNNI）模型，他们使用最近邻（NN）和次近邻（NNN）格点之间的成对关联。对于Kitaev-Heisenberg（KH）梯，他们利用成对关联与特定六自旋平台算符（$O_{Plaquette}$）的组合，这对于识别自旋液体相至关重要。
   • 去随机化：对于 KH 模型，作者采用去随机化协议以优化平台算符的估计，在保持准确性的同时减少测量预算。
   • 样本复杂度：所需快照数（$T$）随测量特征数（$M$）呈对数增长，随算符局域性（$l$）呈多项式增长，遵循关系式 $T \propto \log(M) \cdot 3^l / \epsilon^2$。这使得即使对于较大系统也能高效生成数据。

2. 机器学习流程：估计的期望值作为输入特征用于K-Means 聚类算法。

   • 特征缩减：作者证明，将特征限制为局域关联（NN、NNN 和对角线）可确保特征数量随系统尺寸（$N$）线性增长，而非二次增长，从而保持经典处理步骤的计算效率。
   • 簇确定：最优簇数（$k$）通过“肘部法则”确定，通过分析惯性（到质心的平方距离之和）来平衡方差解释和模型复杂度。
   • 拓扑分析：作为补充验证，作者将持久同调（一种拓扑数据分析工具）应用于数据分布。这识别出在过滤过程中持续存在的拓扑特征（连通分量，$H_0$），为不同相的数量提供独立证据。

主要贡献与结果
该论文使用两个基准模型验证了此框架：

1. ANNNI 模型（1D 链）：

   • 该模型表现出四个相：铁磁相、顺磁相、反相和无能隙浮动相。
   • 使用 $N=12$ 个量子比特和成对关联，K-Means 算法成功区分了铁磁、顺磁和反相区域。
   • 局限性：该方法未能在此系统尺寸下分离出无能隙浮动相，这是由于该相存在区域狭窄且具有临界性质而导致的已知困难。作者指出，区分该相通常需要大得多的链（数百个格点），这可通过 DMRG 实现。

2. Kitaev-Heisenberg 梯（2 腿梯）：

   • 该模型包含六个相，包括两个拓扑 Kitaev 自旋液体（KSL）相（反铁磁和铁磁）以及四个有序相。
   • 混合方法：作者首先利用六自旋平台算符的期望值来识别 KSL 区域（该值非零）。对于剩余的有序相，他们对缩减后的成对关联集合应用 K-Means。
   • 结果：该流程成功重构了相图，识别出四个有序相（ rung-singlet、Zigzag、铁磁、Stripy）以及两个自旋液体相。
   • 准确性：虽然 Zigzag 相和铁磁相之间的转变精度较低（可能是由于小系统尺寸下关联定义较弱），但其他转变被准确恢复。主成分分析（PCA）和持久同调证实了有序相存在四个不同的簇。

意义与主张
该论文主张，这种方法为研究经典验证不可行的多体系统中的相变提供了一种可扩展且高效的工具。关键意义点包括：

• 测量效率：通过利用经典阴影，该协议将测量开销从相对于特征数量的指数级缩放降低为对数级缩放，使其适用于更大系统。
• 混合可行性：这项工作表明，将量子生成的数据（通过高效的阴影协议）与经典 ML 算法相结合，可以有效解决超出经典计算极限的问题，从而绕过与完全变分量子机器学习相关的训练困难（例如 barren plateaus）。
• 特征选择：该研究强调，仔细的特征选择（专注于局域关联和特定高阶算符如平台算符）足以区分复杂相，而无需进行完整的态重构。
• 可扩展性：作者断言，虽然有限尺寸效应限制了小系统（$N=12$）中某些临界相（如浮动相或 Zigzag-铁磁边界）的分辨率，但阴影协议的对数缩放以及关联模式随系统尺寸增加的显著性表明，该方法在更大的 $N$ 下将变得更加精确。

作者得出结论，该框架为表征中等规模量子设备中的量子相提供了一条实用途径，为传统数值方法提供了一种稳健的替代方案。