Exact autoregressive sampling of planar Ising spin glasses via the Kac--Ward theory

技术摘要：基于 Kac–Ward 理论的平面 Ising 自旋玻璃精确自回归采样

问题陈述
从玻尔兹曼分布中生成平衡态构型对于自旋玻璃而言仍是一个重大挑战。标准的马尔可夫链蒙特卡罗（MCMC）方法，如 Metropolis–Hastings 算法，在相变附近会遭遇临界减速，并在具有复杂能量景观的无序系统中陷入亚稳态陷阱。虽然先进的聚类算法缓解了铁磁体中的这些问题，但在受挫系统（frustrated systems）中往往失效。因此，并行回火（Parallel Tempering, PT）仍然是处理玻璃态系统的最前沿方法，但需要繁琐的调优且计算成本高昂。

近期，变分自回归网络（VANs）和张量网络方法作为能够生成独立同分布（i.i.d.）样本的新兴替代方案脱颖而出。然而，这些方法都是近似性的。由于缺乏精确的参考样本，它们的变分拟设（variational ansatz）无法得到严格的基准测试，其实际效率也难以评估。此外，可靠估计关键观测值（如重叠分布、自旋玻璃易受性）需要不相关的样本，而这在玻璃态系统中很难获得。虽然存在针对平面 Ising 模型的精确采样算法（例如映射到完美匹配），但以往的分治法并未明确提供自回归因子分解所需的序列条件概率 $P(s_i|s_{<i})$。

方法论
作者提出了一种用于平面 Ising 自旋玻璃的精确自回归采样算法，该算法通过计算精确的条件概率 $P(s_i|s_{<i})$，从而通过链式法则对玻尔兹曼分布进行采样：
$$P(s) = \prod_{i=1}^N P(s_i | s_{<i})$$

核心挑战在于：顺序固定自旋 $s_{<i}$ 会在剩余未采样区域的边界上诱导出有效的外部场。这些场破坏了使用标准 Kac–Ward 或 Kasteleyn–Pfaffian 方法所需的零场结构，因为后者严格仅在无外部场的情况下有效。

为了解决这一问题，作者采用了一种保持平面性的辅助自旋构造：

1. 条件配分函数：条件概率取决于在有效边界场 $h^{\pm}_m$ 下，未采样自旋的配分函数比值 $Q^{\pm}_i$。
2. 辅助自旋映射：该方法并非将这些场视为外部势能，而是引入了一个辅助自旋 $s_g$。边界位点上的有效局部场被替换为 $s_g$ 与边界自旋之间的两体耦合。
3. 保持平面性：通过确保自回归生成遵循连通搜索顺序（例如栅格扫描），已冻结的自旋会形成一个连通子图。引入辅助自旋在拓扑上等价于将该连连接区域收缩为一个顶点。由于平面图在边收缩运算下是封闭的，因此生成的扩展相互作用图仍然保持平面性。
4. 精确评估：扩展后的系统现在是一个平面图上的零场 Ising 模型。这些配分函数 $\tilde{Q}^{\pm}_i$ 使用 Kac–Ward 行列式公式 进行精确评估。这些配分函数的比值给出了精确的条件概率。
5. 效率优化：为了避免在每一步都重新计算完整的行列式，作者利用了矩阵行列式引理（matrix determinant lemma）。由于 $+$ 情况与 $-$情况之间的矩阵差异是低秩的（仅在与辅助自旋相连的边上非零），行列式比值会坍缩为一个$r \times r$的行列式（其中$r$ 是边界邻居的数量），这仅需要每步进行一次稀疏 LU 分解。

主要贡献

• 精确自回归采样器：这是第一个通过显式计算 $P(s_i|s_{<i})$，为平面 Ising 自旋玻璃提供严格 i.i.d. 样本及精确归一化似然值的算法。
• 处理边界场：一种创新的映射方法，通过使用辅助自旋将边界诱导的有效场编码为零场扩展模型，从而保留了 Kac–Ward 公式所需的平面性。
• 计算复杂度：该方法对于 $N$ 个自旋的操作计算成本为 $O(N^{5/2})$。虽然比之前分治精确采样器的 $O(N^{3/2})$ 高，但这是获取逐个自旋条件概率所必需的代价。
• 严格基准测试：该算法提供了精确的归一化似然值，这对于严格基准测试现代神经自回归采样器（VANs）和张量网络方法至关重要。

结果
作者在多种平面系统上验证了该算法：

1. 二维 Edwards–Anderson (EA) 自旋玻璃：该算法生成的构型自相关函数为 $\Gamma(t) = \delta_{t,0}$，证实了其生成的样本是严格 i.i.d. 的。相比之下，Metropolis 算法表现出缓慢的、拉伸指数衰减，表明存在严重的临界减速。
2. 三角铁磁 (FM) Ising 模型：该算法成功模拟了临界温度 $T_c$ 附近的系统。计算出的磁化强度和比热符合理论预期和有限尺寸缩放行为，且不受变分方法在临界点附近可能产生的系统偏差影响。
3. 三角反铁磁 (AFM) Ising 模型：作者展示了直接从精确似然值估计熵（$S = -\langle \ln P(s) \rangle$）的能力，而无需进行热力学积分。结果收敛于每个位点约为 $0.323$的理论残余熵$S_0$。

意义与主张
论文声称这项工作弥合了平面自旋玻璃中精确采样与自回归生成之间的鸿沟。通过提供一种生成具有精确似然值的无偏样本的方法，作者为验证近似神经与张量网络采样器建立了严格的基准。

作者指出，$O(N^{5/2})$ 的缩放目前限制了其在适中系统规模（$N \approx 10^3$）下的应用。然而，他们认为消除平衡时间（equilibration time）和自相关开销带来的优势，使其相对于 MCMC 和 PT 具有明显的竞争力。此外，该算法计算的精确条件概率可以作为“教师信号”用于在线策略知识蒸馏（on-policy knowledge distillation），通过减少相比于标准 REINFORCE 方法的梯度方差，潜在地改进变分自回归网络的训练。该工作包含了一个 Python 参考实现以促进进一步研究。