An interpretable closed form for entanglement entropy from bitstrings, guided by a graph neural network

技术摘要：一种由图神经网络引导的、基于比特串的可解释闭式纠缠熵估计方法

问题陈述
在里德堡原子阵列量子模拟中，经验性的比特串分布（占据基底下的测量结果）是最容易获取的可观测物理量。然而，作为关键诊断工具的二分冯·诺依曼纠缠熵（$S_{vN}$）的获取成本要高得多。全态层析成像的复杂度随系统规模 $N$ 指数级增长，即使是无需层析的协议也面临着对副本数、门操作或后处理过程的高额开销。虽然比特串分布并不能唯一确定 $S_{vN}$（因为不同的状态可以拥有相同的对角分布但具有不同的纠缠度），但它能紧密地约束 $S_{vN}$。现有的估计器面临着权衡：基于经典互信息（$I$）的解析界限具有可解释性但过于粗略（低估 $S_{vN}$ 约 0.10 nats），而高精度的图神经网络（GNN）代理模型则是黑盒，且需要针对每一个新机制（相变、几何结构或哈密顿量）进行重新训练。本研究的目标是寻找一种既能结合学习模型的准确性，又具备解析形式的可解释性与可移植性的估计器。

方法论
作者采用了一种“GNN 引导”的方法来推导闭式估计器：

1. 对 GNN 的机制探测： 作者并非通过手动挑选的可观测物理量来拟合解析形式，而是通过探测一个预训练的 GNN（来自文献 [5]）来识别哪些输入驱动了其 $S_{vN}$ 预测。通过因果干预（注意力路由、激活修补和边移除），他们证实了 GNN 的预测专门通过二分边界边（$E_b = A \times B$）进行路由。网络会根据边是否跨越切割线来重新路由注意力，且移除边界边会导致性能显著下降。
2. 特征限制与搜索： 在 GNN 对边界相关性的关注引导下，作者将穷举搜索限制在从比特串分布中提取的 25 个物理标量组成的精选清单内，这些标量专门在边界集 $E_b$ 上计算。
3. 穷举符号搜索： 使用普通最小二乘法（OLS）对所有 $\binom{25}{6} = 177,100$ 个包含六个特征的子集进行了穷举搜索。最终胜出的结果是一个六项线性闭式形式（公式 1）。
4. 验证与缩放： 该形式通过了针对 $N \le 20$ 的精确对角化（ED）和针对高达 $N=100$ 的密度矩阵重整化群（DMRG）的验证。作者分析了系数的缩放行为，并测试了其在不同哈密顿量族和几何偏移下的迁移能力。

核心贡献

1. 六项闭式形式（公式 1）： 作者提出了一个人类可读、无超参数的线性估计器：
   $$\hat{S}_{vN} = b_1 \log(I+1) + b_2 \sum_{E_b} \sqrt{|c|} + b_3 \sum_{E_b} \tanh |c| + b_4 (\max_{E_b} |c|)^2 + b_5 \min_{E_b} c + b_6 \min(H_A, H_B) I$$
   其中 $c$ 代表两点相关函数，$I$ 是互信息，$H$ 是单点熵。
2. GNN 引导的特征工程： 本工作证明了通过对神经网络进行因果探测，可以有效地识别出针对特定预测任务的相关物理子空间（边界相关性），从而绕过手动特征工程的需求。
3. 缩放律与校准规则： 论文指出，虽然该闭式形式的系数不具备尺度不变性（冻结系数在较大 $N$ 时会失效），但其形式本身在 $N=100$ 时依然成立。其中两个系数遵循清晰的 $1/N$ 规律，而锚定系数则呈现带向下曲率的增长。这使得通过少量标签在目标规模下重新校准形式以匹配微调系综成为可能。

结果

• 准确度： 该闭式形式在分布内测试集上的平均绝对误差（MAE）为 0.0244 nats。这比基础 GNN 的误差（0.0038 nats）高出 6.4 倍，但显著优于经典互信息基准（0.1002 nats）。
• 可移植性（分布外）： 当将该形式在不改变参数的情况下应用于六个分布外（OOD）池（包括变化的系统规模、结构偏移和随机 2D 位置）时，该闭式形式在六个池中的五个表现优于基础 GNN，并在第六个池中与之持平。这归功于该形式的几何非参数特性；与 GNN 不同，它不摄取显式的原子坐标。
• 跨哈密顿量迁移： 在针对每个哈密顿量族进行重拟合时，该六特征形式在所有测试的哈密顿量族（TFIM, XXZ, J1-J2, Rydberg 和随机符号模型）上均优于解析基准（$I$ 和过滤后的 $I$）。虽然在相同特征下 XGBoost 更准确，但它缺乏可解释性。
• 扩展至 $N=100$： 利用独立的 DMRG 数据，作者展示了使用冻结系数的全局拟合在大规模下会失效（MAE 增长到 $>1$ nat）。然而，通过按尺寸重拟合系数，可以将 MAE 维持在 25–50 mnat。拟合得到的系数缩放律允许在约 40–80 mnat 的精度下进行无标签部署。
• 鲁棒性： 该形式具有鲁棒性，在仅有约 160 个测量样本（shot）时，其表现仍优于互信息基准。

意义与主张
论文声称，公式 1 在准确性与可解释性的权衡中占据了一个独特的生态位。它并非在重建内部权重层面上的“蒸馏” GNN，而是对 GNN 所利用的相同物理量进行的独立、低维、基于真值的拟合。GNN 将这些物理量编码在一个冗余的高维代码中，而公式 1 则提供了一个可读的投影。

其意义在于提供了一个透明、可迁移且可调节的估计器。它允许实验人员检查驱动纠缠估计的物理机制，在不重新训练的情况下将模型应用于不同的几何结构和物相，并利用极少量的标签进行校准。作者总结道，虽然非线性模型（如 XGBoost 或 GNN）在拥有大规模标记数据集时能提供更高的原始准确度，但闭式形式提供了卓越的透明度和特征化的缩放行为，从而为大规模量子模拟确定了“标签预算规则”。