对掺杂反亚铁磁体的 Gutzwiller 投影态进行优化

在量子 many-body 物理中，人们希望通过发展简单的理论图景来理解涌现现象及其强相互作用效应。最近，量子模拟器的进展使得能够在 square 以及三角晶格几何结构上测量 Fermi-Hubbard 系统在有限掺杂下的站点分辨快照。这些实验进展提出了理论家分析这些数据以洞察这些原型强相关 many-body 系统的挑战。本文我们采用机器学习技术优化 resonating valence bond（RVB）状态的均场参数，通过与实验数据进行比较，从而确定一种以物理动机为导向且完全可解释的简单模型。我们发现，所得 RVB 状态能够捕捉实验中测量的两点以及三点相关性，即便这些相关性并非特意用于优化。对均场参数及其掺杂依赖性的分析可用于获得物理见解并阐明可能的底层量子自旋液体状态的本质。我们的结果表明，Fermi-Hubbard 量子模拟器的有限温度数据可以被 RVB 状态良好地捕获。这项工作为对数值以及量子模拟强相关量子 many-body 系统的数据进行新的、系统性分析铺平了道路。