多体問題におけるエンタングルメント構造の最適化とその応用

点击翻译按钮获取中文摘要

本年度はテンソルネットワーク形式のネットワーク構造の最適化という観点から主に以下の2つの研究に取り組んだ。（1）テンソルネットワークを用いた生成モデルのネットワーク構造の最適化。生成モデルは機械学習の主要な技術の一つであり、多くの分野で活用されている。生成モデルの最もシンプルなタスクはデータ分布をパラメトライズした確率的モデルで近似することである。さまざまな手法でパラメータ化することが提案されているが、特に、我々は量子力学における観測結果の確率的な解釈をベースにした生成モデルに着目した。この手法はボルンマシンと呼ばれ、波動関数の絶対値の二乗を確率として、データ分布をモデル化する。波動関数を表すのに、行列積状態やバランスツリーなど、ツリー型のテンソルネットワークの適用が試みられ、ネットワーク構造がその性能に大きく影響することが確認されている。我々は、ツリー型のテンソルネットワーク構造を与えられたデータ分布を用いて最適化することを試みた。まず、ローカルなネットワーク構造の組み替えを繰り返すことで、基底状態計算の場合には、有効なエンタングルメント構造を反映したネットワーク構造が大域的に得られることがわかった。同様にデータ分布に対しては、組み替えを行う指標の工夫をすることにより、同じく良い性能を示すボルンマシンが得られることがわかった。（2）ニューラルネットワークのテンソル分解を用いたパラメータ圧縮の最適化。我々は機械学習の代表的なモデルであるニューラルネットワーク中のパラメータをテンソル分解を用いて圧縮するという提案に着目した。圧縮の度合いをエンタングルメントエントロピーで評価し、サンプルデータに応じて、テンソルネットワーク中のボンド自由度を変更する手法を提案し、実データや人工データに対して、この手法が機能することを示した。