基于受限玻尔兹曼机器的横向场量子伊辛模型中离散区间的Renyi熵学习
统计力学
2025-10-30 v2 高能物理 - 理论
摘要
从两种方法计算多个不相邻区间的Renyi熵：一种是直接对哈密顿量作对角化，另一种是基于神经网络的前沿机器学习方法。我们以一维横向场伊辛模型为典型案例，演示改进置换操作的策略。特别地，我们研究了包含两个、三个和四个不相邻区间的第二Renyi熵。我们发现，上述两种方法的结果在误差范围内高度吻合，这表明机器学习方法可用于计算多个不相邻区间的Renyi熵。此外，随着磁场增大，Renyi熵随之增大，直至系统到达相变临界点。然而，当磁场超过临界值后，Renyi熵会下降，因为系统进入 paramagnetic 相。总体而言，这些结果与理论预测吻合良好，证明了基于神经网络的机器学习方法具有高精度。
引用
@article{arxiv.2412.20444,
title = {Learning the Renyi entropy of multiple disjoint intervals in transverse-field quantum Ising models with restricted Boltzmann machine},
author = {Han-Qing Shi and Hai-Qing Zhang},
journal= {arXiv preprint arXiv:2412.20444},
year = {2025}
}
备注
16 pages, 5 figures, Accepted by PRE