Adiabatic Fine-Tuning of Neural Quantum States Enables Detection of Phase Transitions in Weight Space

要約

神経量子状態（NQ）は、深い学習を使用して量子波動関数を近似するための強力なツールとして浮上しています。
これらのモデルは驚くべき精度を達成しますが、物理情報をエンコードする方法を理解することは未解決の課題のままです。
この作業では、位相図でNQを訓練するスキームであるAdiabatic微調整を紹介し、さまざまなモデルで強く相関した重量表現につながります。
重み空間でのこの相関により、訓練されたネットワークの重量だけを分析することにより、量子システムの位相遷移の検出が可能になります。
横磁場ISINGモデルとJ1-J2ハイゼンバーグモデルでのアプローチを検証し、相転移が重量空間で異なる構造として現れることを示しています。
私たちの結果は、物理相遷移とニューラルネットワークパラメーターのジオメトリとの関係を確立し、物理学における機械学習モデルの解釈可能性の新しい方向を開きます。

要約(オリジナル)

Neural quantum states (NQS) have emerged as a powerful tool for approximating quantum wavefunctions using deep learning. While these models achieve remarkable accuracy, understanding how they encode physical information remains an open challenge. In this work, we introduce adiabatic fine-tuning, a scheme that trains NQS across a phase diagram, leading to strongly correlated weight representations across different models. This correlation in weight space enables the detection of phase transitions in quantum systems by analyzing the trained network weights alone. We validate our approach on the transverse field Ising model and the J1-J2 Heisenberg model, demonstrating that phase transitions manifest as distinct structures in weight space. Our results establish a connection between physical phase transitions and the geometry of neural network parameters, opening new directions for the interpretability of machine learning models in physics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google