DOI: https://doi.org/10.1088/2632-2153/ae3e39
تاريخ النشر: 2026-01-27
المؤلف: Waleed Sherif
الموضوع الرئيسي: أنظمة الكم ذات الجسيمات المتعددة
نظرة عامة
تقدم البحث نهجًا جديدًا باستخدام شبكة عصبية متعددة الرؤوس ذات جذع واحد (ST-MH) لتقريب حالات الأرض المتدهورة لأنظمة الكم المتعددة الجسيمات بكفاءة. تستخدم بنية ST-MH جذعًا مشتركًا لاستخراج الميزات مع رؤوس خفيفة الوزن لكل حالة مستهدفة، مما يقلل بشكل كبير من التكلفة الحسابية المرتبطة بتقريب جميع الحالات في مجموعة متدهورة. يستخرج المؤلفون تدرجات تحليلية دقيقة ومشتقات تداخل للتدريب ضمن سير العمل القياسي لمونت كارلو التغيري (VMC)، مما يوضح أن ST-MH يمكن أن يمثل بدقة جميع الحالات الذاتية المتدهورة تحت ظروف معينة تتعلق بعرض الجذع والترتيب الخطي لوحدات الحالة اللوجاريتمية والمراحل.
تؤكد التحقق العددي على نموذج هيزنبرغ المعقد للدوران 1/2 J1-J2 عند نقطة ماجومدار-غوش المزايا النظرية لمجموعة ST-MH، حيث تحقق دقة عالية في الطاقة بينما تستخدم موارد حسابية أقل مقارنة بمجموعات متعددة الجذوع متعددة الرؤوس (MT-MH). تشير النتائج إلى أنه عندما يلبي عرض الجذع المعيار \( h + 1 \geq r_{\text{both}} \)، حيث \( r_{\text{both}} \) هو الترتيب الخطي المشترك للحالات، يمكن أن يوفر نهج ST-MH مكاسب كبيرة في الكفاءة دون التضحية بالدقة. كما outlines الدراسة إرشادات عملية لاختيار بنى NQS في مهام التعلم الكمي متعددة الحالات، مما يشير إلى إمكانية تطبيق إطار ST-MH خارج الفضاءات الذاتية المتدهورة، مثل في سيناريوهات التعلم الانتقالي.
مقدمة
في مجال فيزياء الكم المتعددة الجسيمات، تعتبر حالة الأرض لنظام ما أمرًا حاسمًا حيث إنها تجسد الخصائص الأساسية للنظام عند درجة حرارة صفر، مما يؤثر على سلوك الطور وهياكل الارتباط. نظرًا لتعقيد الأنظمة ذات التفاعلات القوية، غالبًا ما تكون الحلول الدقيقة غير قابلة للتحقيق، مما يستلزم استخدام طرق عشوائية مثل مونت كارلو الكمومي (QMC). من بين هذه الطرق، تعتبر مونت كارلو التغيري (VMC) تقنية بارزة تقوم بتحسين معلمات دالة الموجة لتقليل القيمة المتوقعة لهاملتونيان. مؤخرًا، ظهرت حالات الشبكة العصبية الكمومية (NQS) كنهج متغير قوي، فعال بشكل خاص للأنظمة المرتبطة بقوة، مما يسمح بتمثيل حالات معقدة متشابكة عبر نماذج كمومية مختلفة.
تقدم هذه الورقة نهج مجموعة جديد، يسمى مجموعة الجذع الواحد متعددة الرؤوس (ST-MH)، مصممًا لتقريب حالات الأرض المتدهورة بكفاءة باستخدام NQS. تستخدم هذه الطريقة جذعًا مشتركًا لاستخراج الميزات مع رؤوس خفيفة الوزن ومعلمة خطيًا لكل حالة ذاتية مستهدفة، مما يسهل عملية التOrthogonalization مع تقليل العدد الإجمالي للمعلمات بشكل كبير. يوضح المؤلفون أنه تحت ظروف معينة تتعلق بعرض الجذع، يمكن أن يمثل هذا النهج بدقة المجموعة المتدهورة بالكامل. يقدمون تدرجات تحليلية لعقوبات الطاقة والتداخل، ويقومون بدمجها في سير العمل القياسي لـ VMC. يتم التحقق من مجموعة ST-MH من خلال تطبيقها على حالات الزخم الذاتية المتدهورة لسلسلة هيزنبرغ المعقدة للدوران 1/2 J1-J2، مما يظهر دقة مقارنة بالطرق التقليدية مع تقليل كبير في متطلبات الموارد. تشير النتائج إلى أن هذا النهج الجماعي يقدم استراتيجية عملية وفعالة لتعلم الفضاءات الذاتية المتدهورة، بشرط تلبية شرط الترتيب الخطي وتمثيل دوال المرحلة كدوال خطية من ميزات الجذع المشتركة.
نقاش
في هذا القسم، يناقش المؤلفون تنفيذ وتحسين مجموعات حالات الشبكة العصبية الكمومية (NQS) لتقريب حالات الأرض المتعددة في أنظمة الكم المتعددة الجسيمات باستخدام طرق مونت كارلو التغيري (VMC). يقدمون نهج مجموعة الجذع الواحد متعددة الرؤوس (ST-MH)، الذي يسمح بالتحسين المتزامن لعدة دوال موجية تجريبية تستهدف حالات الأرض المتدهورة، مما يقارنها مع مجموعة الجذع المتعدد والرؤوس المتعددة (MT-MH) التي تتطلب شبكات مستقلة لكل حالة. يستفيد نهج ST-MH من جذع مشترك لاستخراج الميزات، مما يقلل بشكل كبير من عدد المعلمات والموارد الحسابية المطلوبة، بينما لا يزال يحقق دقة مقارنة مع نهج MT-MH.
يقدم المؤلفون أيضًا إثباتًا عدديًا للمبدأ باستخدام نموذج سلسلة هيزنبرغ المعقدة للدوران 1/2، مما يوضح أن مجموعة ST-MH يمكن أن تحل بفعالية الفضاء الأرضي المتدهور بالكامل. يقدمون مقاييس متنوعة، بما في ذلك القيم المتوقعة للطاقة، والتباينات، ومقاييس الدقة، لتقييم أداء مجموعة ST-MH مقابل حالات الأرض الدقيقة التي تم الحصول عليها من خلال التشخيص الدقيق. تشير النتائج إلى أن مجموعة ST-MH لا تحافظ فقط على الكفاءة الحسابية ولكنها أيضًا تلتقط بنجاح الميزات الأساسية لمجموعة الأرض المتدهورة، مما يثبت إمكاناتها كأداة قوية لتقريب حالات الكم في الأنظمة المعقدة.
DOI: https://doi.org/10.1088/2632-2153/ae3e39
Publication Date: 2026-01-27
Author(s): Waleed Sherif
Primary Topic: Quantum many-body systems
Overview
The research presents a novel approach using a single-trunk multi-head (ST-MH) neural network quantum state (NQS) ensemble to efficiently approximate degenerate ground states of quantum many-body systems. The ST-MH architecture utilizes a shared feature-extracting trunk with lightweight heads for each target state, significantly reducing the computational cost associated with approximating all states in a degenerate manifold. The authors derive exact analytic gradients and overlap derivatives for training within standard variational Monte Carlo (VMC) workflows, demonstrating that the ST-MH can exactly represent all degenerate eigenstates under specific conditions related to the trunk’s latent width and the linear rank of the states’ log-moduli and phases.
Numerical validation on the frustrated spin-1/2 J1-J2 Heisenberg model at the Majumdar-Ghosh point confirms the theoretical advantages of the ST-MH ensemble, achieving high fidelity and energy accuracy while using fewer computational resources compared to multi-trunk multi-head (MT-MH) ensembles. The findings suggest that when the trunk width meets the criterion \( h + 1 \geq r_{\text{both}} \), where \( r_{\text{both}} \) is the combined linear rank of the states, the ST-MH approach can provide substantial efficiency gains without sacrificing accuracy. The study also outlines practical guidelines for selecting NQS architectures in multi-state quantum learning tasks, indicating the potential applicability of the ST-MH framework beyond degenerate eigenspaces, such as in transfer learning scenarios.
Introduction
In the realm of quantum many-body physics, the ground state of a system is crucial as it encapsulates the system’s fundamental properties at zero temperature, influencing phase behavior and correlation structures. Given the complexity of strongly interacting systems, exact solutions are often unattainable, necessitating the use of stochastic methods such as Quantum Monte Carlo (QMC). Among these, Variational Monte Carlo (VMC) is a prominent technique that optimizes wave-function parameters to minimize the Hamiltonian’s expectation value. Recently, neural network quantum states (NQS) have emerged as a powerful variational ansatz, particularly effective for strongly correlated systems, allowing for the representation of complex entangled states across various quantum models.
This paper introduces a novel ensemble approach, termed the single-trunk multi-head (ST-MH) ensemble, designed to efficiently approximate degenerate ground states using NQS. This method employs a shared feature-extracting trunk combined with lightweight, linearly parametrized heads for each target eigenstate, thereby facilitating orthogonalization while significantly reducing the total parameter count. The authors demonstrate that under specific conditions regarding the trunk’s width, this approach can accurately represent the entire degenerate manifold. They provide analytic gradients for energy and overlap penalties, integrating these into standard VMC workflows. The ST-MH ensemble is validated through its application to the degenerate momentum eigenstates of the frustrated spin-1/2 J1-J2 Heisenberg chain, showing comparable accuracy to traditional methods while substantially lowering resource demands. The findings suggest that this ensemble approach offers a practical and efficient strategy for learning degenerate eigenspaces, contingent on satisfying the linear rank condition and the representation of phase functions as affine functions of shared trunk features.
Discussion
In this section, the authors discuss the implementation and optimization of neural network quantum state (NQS) ensembles for approximating multiple ground states in quantum many-body systems using variational Monte Carlo (VMC) methods. They introduce the single-trunk multi-head (ST-MH) ensemble approach, which allows for the simultaneous optimization of multiple trial wave-functions targeting degenerate ground states, contrasting it with the multi-trunk multi-head (MT-MH) ensemble that requires independent networks for each state. The ST-MH method leverages a shared trunk for feature extraction, significantly reducing the number of parameters and computational resources required, while still achieving comparable accuracy to the MT-MH approach.
The authors also provide a numerical proof of principle using a frustrated spin-1/2 Heisenberg chain model, demonstrating that the ST-MH ensemble can effectively resolve the entire degenerate ground space. They present various metrics, including energy expectation values, variances, and fidelity measures, to assess the performance of the ST-MH ensemble against the exact ground states obtained through exact diagonalization. The results indicate that the ST-MH ensemble not only maintains computational efficiency but also successfully captures the essential features of the degenerate ground manifold, thereby validating its potential as a powerful tool for quantum state approximation in complex systems.