Machine learning reveals features of spinon Fermi surface

要約

強く相互作用する量子ハミルトニアンのシミュレーションが急速に進歩するにつれ、未知の相を特徴付けるという課題が科学の進歩のボトルネックになっています。
私たちは、解釈可能な古典的機械学習を使用してサンプリングされた射影スナップショットをマイニングする量子古典ハイブリッド アプローチ (QuCl) により、一見特徴のない量子状態の署名を明らかにできることを実証します。
外部磁場下のハニカム格子上のキタエフ・ハイゼンベルグモデルは、QuCl をテストするための理想的なシステムを示しています。シミュレーションでは、既知の相の間に挟まれた中間ギャップレス相 (IGP) が発見され、そのとらえどころのない性質についての議論が始まりました。
ラベル付き射影スナップショットでトレーニングされた相関器畳み込みニューラル ネットワークを正則化パス分析と組み合わせて使用​​し、フェーズのシグネチャを識別します。
我々は、QuCl が確立された相の既知の特徴を再現することを示します。
重要なことに、磁場の方向に垂直なスピンチャネル内のIGPの痕跡も特定され、これはフェルミ面を形成するギャップレススピノンのフリーデル振動の痕跡として解釈されます。
私たちの予測は、スピン液体の将来の実験的探索を導くことができます。

要約(オリジナル)

With rapid progress in simulation of strongly interacting quantum Hamiltonians, the challenge in characterizing unknown phases becomes a bottleneck for scientific progress. We demonstrate that a Quantum-Classical hybrid approach (QuCl) of mining sampled projective snapshots with interpretable classical machine learning can unveil signatures of seemingly featureless quantum states. The Kitaev-Heisenberg model on a honeycomb lattice under external magnetic field presents an ideal system to test QuCl, where simulations have found an intermediate gapless phase (IGP) sandwiched between known phases, launching a debate over its elusive nature. We use the correlator convolutional neural network, trained on labeled projective snapshots, in conjunction with regularization path analysis to identify signatures of phases. We show that QuCl reproduces known features of established phases. Significantly, we also identify a signature of the IGP in the spin channel perpendicular to the field direction, which we interpret as a signature of Friedel oscillations of gapless spinons forming a Fermi surface. Our predictions can guide future experimental searches for spin liquids.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google