Topological Order in Neural Wavefunctions

本文表明，基于注意力的深度神经网络能够通过能量最小化有效发现分数陈绝缘体基态并提取其拓扑简并度，从而确立神经网络变分蒙特卡洛为一种无需先验知识即可研究强关联拓扑相的有力工具。

要点

想象一下，你正在寻找让一大群人坐在房间里最舒适的方式。如果每个人都随机就座，那将是一片混乱。但如果他们都遵循一条严格而简单的规则（例如“所有人排成一条直线”），你就能轻松预测他们的位置。大多数量子物理的计算机模拟正是这样运作的：它们假设粒子遵循简单、可预测的规则。

然而，某些量子材料就像一群发展出了一种秘密、复杂语言的人群。它们不仅仅排成直线；它们形成了错综复杂、不可见的模式，使它们能够以奇怪、“分数化”的方式移动（例如拥有仅为普通电子三分之一的电荷）。科学家将这种现象称为拓扑序。这是一种极其稳定且鲁棒的物质状态，但同时也是模拟的噩梦，因为粒子之间的连接如此紧密，以至于你无法逐个观察它们。

本文介绍了一种利用**人工智能（AI）**破解这一密码的新方法，具体而言是一种称为“神经网络”的深度学习技术。

问题：量子态的“黑箱”

传统上，为了研究这些材料，科学家主要使用两种工具：

1. 精确对角化：这就像通过检查每一个可能的步骤来解拼图。它对于小拼图（小系统）效果完美，但随着拼图变大，由于可能性的数量呈爆炸式增长，这种方法变得不可能实现。
2. DMRG（密度矩阵重正化群）：这是一种巧妙的捷径，适用于长而窄的材料条带，但在处理平坦的二维片层（即我们真正关心的材料）时却显得力不从心。

这两种方法都有一个主要缺陷：为了使数学计算可行，它们通常不得不忽略部分物理现象（例如混合不同的能带）。

解决方案：“超直觉”人工智能

作者构建了一个神经网络，充当变分波函数。用通俗的话说，这就是对粒子行为的一种数学猜测。

• 学习过程：AI 并非被告知游戏规则，而是仅仅被告知“最小化能量”。它从一个随机猜测（一个高能量、混乱的状态）开始，慢慢自我调整，从错误中学习，直到找到可能的最低能量状态。
• 架构：他们使用了一种特定类型的 AI，称为自注意力网络（与现代聊天机器人背后的技术相同）。这使得 AI 能够观察每一个粒子，并询问：“这个粒子与那个粒子有何关联？”它捕捉到了更简单模型所遗漏的粒子间复杂、长距离的相互关系。

结果：AI 仅通过尝试降低能量，就找到了“分数陈绝缘体”的基态（最稳定的构型）。它无需被告知答案的样子。它独立发现了这种复杂的分数态，并且做得比那些被迫简化物理的传统方法更好（能量更低）。

重大挑战：看见不可见之物

这里是棘手之处。拓扑序是“非局域”的。它就像整个群体共同完成的一个秘密手势。如果你只看一个人（或波函数的一小部分），你就看不到模式。AI 发现的状态看起来像是一种无聊、无特征的液体。它根本不像是一个“拓扑”态！

那么，如何证明 AI 找到了正确的东西呢？

技巧：“动量谱学”

作者发明了一种巧妙的后处理技巧，称为动量谱学。

想象 AI 找到了一首完美、单一的歌曲（波函数）。但这首歌实际上是三个略有不同的版本混合在一起同时演奏的。这三个版本就是“拓扑简并”——拓扑序的一个标志。它们如此相似，以至于具有相同的能量，但在一个全局的、不可见的方式上有所不同（它们的“动量”）。

作者的方法就像将那首混合的单曲通过一个滤波器，将其分离成三个不同的组成部分。

1. 他们取 AI 优化后的单一波函数。
2. 他们在数学上将其“分解”为不同的动量扇区（就像按音高对歌曲进行分类）。
3. 他们发现，AI 的单一猜测自然地包含了三个截然不同的、几乎相同的能量态，它们位于不同的动量槽中。

这为何重要：发现三个简并（能量相等）的状态是拓扑序的确凿证据。它证明了该系统具有科学家寻找的“分数”特性，尽管原始数据看起来像是一种无聊的液体。

模型：零通量之谜

为了测试这一点，他们创建了一个理论模型，描述电子在磁场中运动，该磁场虽然波动，但平均净磁场为零。

• 问题：如果总磁场为零，拓扑态能否存在？
• 发现：可以！AI 发现，在特定的密度（填充因子 1/3）下，电子形成了一个稳定的、有能隙的液体（分数陈绝缘体）。
• 竞争：当他们稍微改变参数时，AI 正确地切换到寻找“电荷密度波”（一种刚性的类晶体图案），表明它能够区分不同类型的量子相。

总结

本文表明，AI 可以成为量子物理的强大显微镜。

1. 它能够在无需被告知它们长什么样子的情况下，发现复杂的、强关联的量子态。
2. 它能够处理系统的完整复杂性，而无需简化数学。
3. 作者创造了一种新的“解码环”（动量谱学），使我们能够在一个单一的 AI 生成波函数中看到隐藏的拓扑序。

简而言之，他们教会神经网络去“梦想”量子材料最稳定的状态，然后开发了一种方法将其唤醒并询问：“你刚才在做什么秘密手势？”答案是一种拓扑态，这种态在此特定的零通量设置中以前从未被观察到。

技术摘要

技术摘要：神经波函数中的拓扑序

问题陈述
拓扑序态（如分数量子霍尔绝缘体，FCIs）代表了一类具有涌现分数电荷和统计性质的量子相。对这些态的理论研究因其强耦合特性而受阻，这使得传统的平均场处理无法适用。现有的计算方法面临显著局限：精确对角化（ED）受限于希尔伯特空间的指数增长，仅能处理小系统尺寸和少数能带，往往无法捕捉强能带混合效应。相反，密度矩阵重整化群（DMRG）本质上是一种准一维方法，难以应用于严格二维几何结构。此外，尽管神经网络变分蒙特卡洛（NN-VMC）已成为研究强相互作用系统的有力工具，但将其应用于拓扑序仍具挑战性。主要困难在于如何从单个优化后的变分波函数中诊断拓扑序，因为拓扑序是一种非局域性质，无法通过局域可观测量检测。传统方法（如提取拓扑纠缠熵）既精细又计算昂贵。

方法论
作者提出了一个框架，将基于自注意力的深度神经网络与一种新颖的后处理诊断协议相结合。

1. 神经网络架构：本研究采用"Psiformer"架构，利用自注意力机制（类似于 Transformer）来描述多体波函数。变分 Ansatz 构建为 $N_{det}$ 个斯莱特行列式之和，其中广义轨道由深度神经网络参数化。网络输入为周期化的电子坐标，以满足环面上的周期性边界条件。关键在于，优化过程完全在实空间中进行，无需投影到特定动量扇区或在训练过程中施加对称性约束。参数通过变分蒙特卡洛（VMC）进行优化，以最小化基态能量，使用 KFAC（Kronecker-factored approximate curvature）优化器。

2. 动量谱学协议：为了从单个优化波函数 $\Psi(\{r_i\})$ 中诊断拓扑序，作者引入了一种称为“动量谱学”的后处理方法。假设系统具有平移对称性，该单波函数被分解为质心（COM）平移算符的本征态。这是通过将优化波函数投影到不同的多体动量扇区 $K$ 来实现的：
   $$\Phi_K(\{r_i\}) = \frac{1}{N_s} \sum_R e^{-iK \cdot R} \Psi(r_1 + R, \dots, r_N + R)$$
   如果系统表现出拓扑序，则真实的基态流形由 $m$ 个标记为不同动量 $K_i$ 的简并态组成。该协议通过检查两个条件来推断该序的存在：(1) 优化波函数仅在对应于简并基态的特定动量扇区中具有非零权重；(2) 这些投影态的变分能量近乎简并。

主要贡献

• FCI 基态的发现：作者证明，一种通用费米子神经网络，仅通过能量最小化进行训练，无需预先了解能带拓扑或特定 Ansatz 形式，即可发现分数量子霍尔绝缘体基态。
• 高效的拓扑诊断：他们提出了一种稳健的方法，通过将波函数分解为动量扇区，从单个实空间波函数中提取基态拓扑简并度。这避免了为每个动量扇区进行单独优化的计算成本。
• 处理能带混合：通过在实空间直接工作而不进行能带投影，NN-VMC 方法自然地捕捉了任意的能带混合效应，克服了 ED 的主要局限性。

结果
作者将该方法应用于周期性磁场中无自旋费米子的最小连续模型，其单位晶格净磁通为零。

• 模型验证：他们确定了一个参数区间（$\lambda = -0.23$），在该区间内，非相互作用能带结构具有 $C=1$ 的平坦陈能带和剧烈波动的贝里曲率。
• 相识别：在填充因子 $\nu = 1/3$ 处，优化后的神经波函数表现出平移对称的类液体电荷密度，静态结构因子中无布拉格峰，这与有能隙的量子液体一致。
• 拓扑简并：将动量谱学协议应用于 $\nu = 1/3$ 处的优化波函数，结果显示该波函数仅在三个不同的动量扇区中具有非零权重。这三个扇区中投影态的变分能量被发现为准简并，证实了 $\nu=1/3$ FCI 特有的三重拓扑简并。
• 竞争相：在不同的参数区间（$\lambda = -0.26$）下，相同的神经网络架构成功识别了向电荷密度波（CDW）相的跃迁，展示了模型捕捉竞争序的能力。
• 能量比较：与投影到最低能带的 ED 结果相比，NN-VMC 结果给出了显著更低的基态能量。对于所研究的系统尺寸，多带 ED 在计算上不可行，但 NN 结果仍与从结构因子导出的拓扑界限一致。

意义与主张
本文确立了神经网络变分蒙特卡洛作为发现强关联拓扑相的通用工具。作者声称，他们的方法纯粹通过能量最小化成功发现了拓扑序态，无需关于系统拓扑的输入偏差。“动量谱学”方法被提出作为一种高效的诊断手段，能够从单个优化波函数中推断拓扑简并度，这与之前需要在不同对称性扇区进行单独优化的工作区分开来。该研究证实了自注意力神经网络可以描述阿贝尔拓扑序，并表明该框架非常适合研究复杂量子材料（如扭曲过渡金属二硫属化物），在这些材料中能带混合效应显著。作者指出，未来的工作可以将此方法扩展到非阿贝尔拓扑相和无能隙态（如复合费米液体）。