从纠缠特征中学习空间几何
无序系统与神经网络
2018-02-07 v2 强关联电子
广义相对论与量子宇宙学
高能物理 - 理论
量子物理
摘要
受重整化群与全息对偶及深度学习之间的紧密关系启发，我们提出全息几何可从对量子多体态纠缠特征的深度学习中涌现。我们开发了一个具体算法，称为纠缠特征学习（EFL），其基于用于张量网络全息的随机张量网络（RTN）模型。我们展示每个 RTN 可映射至一个玻尔兹曼机，该机器由给定量子多体态所有子区域的纠缠熵训练。目标是构建能最佳复现纠缠特征的最优 RTN。RTN 几何随后可被解释为涌现的全息几何。我们在 1D 自由费米子系统上演示了 EFL 算法，并观察到当我们将该费米子系统调谐至无能隙临界点（CFT 点）时，双曲几何（AdS 空间几何）的涌现。
引用
@article{arxiv.1709.01223,
title = {Machine Learning Spatial Geometry from Entanglement Features},
author = {Yi-Zhuang You and Zhao Yang and Xiao-Liang Qi},
journal= {arXiv preprint arXiv:1709.01223},
year = {2018}
}
备注
14 pages, 14 figures