(English) We perform quantum simulation on classical and quantum computers and set up a machine learning framework in which we can map out phase diagrams of known and unknown quantum many-body systems in an unsupervised fashion. The classical simulations are done with state-of-the-art tensor network methods in one and two spatial dimensions. For one dimensional systems, we utilize matrix product states (MPS) that have many practical advantages and can be optimized using the efficient density matrix renormalization group (DMRG) algorithm. The data for two dimensional systems is obtained from entangled projected pair states (PEPS) optimized via imaginary time evolution. Data in form of observables, entanglement spectra, or parts of the state vectors from these simulations, is then fed into a deep learning (DL) pipeline where we perform anomaly detection to map out the phase diagram. We extend this notion to quantum computers and introduce quantum variational anomaly detection. Here, we first simulate the ground state and then process it in a quantum machine learning (QML) manner. Both simulation and QML routines are performed on the same device, which we demonstrate both in classical simulation and on a physical quantum computer hosted by IBM. (Español) En esta tesis, realizamos simulaciónes cuánticas en ordenadores clásicos y cuánticos y diseñamos un marco de aprendizaje automático en el que podemos construir diagramas de fase de sistemas cuánticos de muchas partículas de manera no supervisada. Las simulaciones clásicas se realizan con métodos de red de tensores de última generación en una y dos dimensiones espaciales. Para sistemas unidimensionales, utilizamos estados de productos de matrices (MPS) que tienen muchas ventajas prácticas y pueden optimizarse utilizando el eficiente algoritmo del grupo de renormalización de matrices de densidad (DMRG). Los datos para sistemas bidimensionales se obtienen mediante los denominados estados de pares entrelazados proyectados (PEPS) optimizados a través de la evolución en tiempo imaginario. Los datos, en forma de observables, espectros de entrelazamiento o partes de los vectores de estado de estas simulaciones, se introducen luego en un algoritmo de aprendizaje profundo (DL) donde realizamos la detección de anomalías para construir el diagrama de fase. Extendemos esta noción a los ordenadores cuánticos e introducimos la detección de anomalías cuánticas variacionales. Aquí, primero simulamos el estado fundamental y luego lo procesamos utilizando el aprendizaje automático cuántico (QML). Tanto las rutinas de simulación como el QML se realizan en el mismo dispositivo, lo que demostramos tanto en una simulación clásica como en un ordenador cuántico real de IBM.
(English) We perform quantum simulation on classical and quantum computers and set up a machine learning framework in which we can map out phase diagrams of known and unknown quantum many-body systems in an unsupervised fashion. The classical simulations are done with state-of-the-art tensor network methods in one and two spatial dimensions. For one dimensional systems, we utilize matrix product states (MPS) that have many practical advantages and can be optimized using the efficient density matrix renormalization group (DMRG) algorithm. The data for two dimensional systems is obtained from entangled projected pair states (PEPS) optimized via imaginary time evolution. Data in form of observables, entanglement spectra, or parts of the state vectors from these simulations, is then fed into a deep learning (DL) pipeline where we perform anomaly detection to map out the phase diagram. We extend this notion to quantum computers and introduce quantum variational anomaly detection. Here, we first simulate the ground state and then process it in a quantum machine learning (QML) manner. Both simulation and QML routines are performed on the same device, which we demonstrate both in classical simulation and on a physical quantum computer hosted by IBM. (Español) En esta tesis, realizamos simulaciónes cuánticas en ordenadores clásicos y cuánticos y diseñamos un marco de aprendizaje automático en el que podemos construir diagramas de fase de sistemas cuánticos de muchas partículas de manera no supervisada. Las simulaciones clásicas se realizan con métodos de red de tensores de última generación en una y dos dimensiones espaciales. Para sistemas unidimensionales, utilizamos estados de productos de matrices (MPS) que tienen muchas ventajas prácticas y pueden optimizarse utilizando el eficiente algoritmo del grupo de renormalización de matrices de densidad (DMRG). Los datos para sistemas bidimensionales se obtienen mediante los denominados estados de pares entrelazados proyectados (PEPS) optimizados a través de la evolución en tiempo imaginario. Los datos, en forma de observables, espectros de entrelazamiento o partes de los vectores de estado de estas simulaciones, se introducen luego en un algoritmo de aprendizaje profundo (DL) donde realizamos la detección de anomalías para construir el diagrama de fase. Extendemos esta noción a los ordenadores cuánticos e introducimos la detección de anomalías cuánticas variacionales. Aquí, primero simulamos el estado fundamental y luego lo procesamos utilizando el aprendizaje automático cuántico (QML). Tanto las rutinas de simulación como el QML se realizan en el mismo dispositivo, lo que demostramos tanto en una simulación clásica como en un ordenador cuántico real de IBM.
Research at the intersection of machine learning (ML) and quantum physics is a recent growing field due to the enormous expectations and the success of both fields. ML is arguably one of the most promising technologies that has and will continue to disrupt many aspects of our lives. The way we do research is almost certainly no exception and ML, with its unprecedented ability to find hidden patterns in data, will be assisting future scientific discoveries. Quantum physics on the other side, even though it is sometimes not entirely intuitive, is one of the most successful physical theories and we are on the verge of adopting some quantum technologies in our daily life. Quantum many-body physics is a subfield of quantum physics where we study the collective behavior of particles or atoms and the emergence of phenomena that are due to this collective behavior, such as phases of matter. The study of phase transitions of these systems often requires some intuition of how we can quantify the order parameter of a phase. ML algorithms can imitate something similar to intuition by inferring knowledge from example data. They can, therefore, discover patterns that are invisible to the human eye, which makes them excellent candidates to study phase transitions. At the same time, quantum devices are known to be able to perform some computational task exponentially faster than classical computers and they are able to produce data patterns that are hard to simulate on classical computers. Therefore, there is the hope that ML algorithms run on quantum devices show an advantage over their classical analog. This thesis is devoted to study two different paths along the front lines of ML and quantum physics. On one side, we study the use of neural networks (NN) to classify phases of mater in many-body quantum systems. On the other side, we study ML algorithms that run on quantum computers. The connection between ML for quantum physics and quantum physics for ML in this thesis is an emerging subfield in ML, the interpretability of learning algorithms. A crucial ingredient in the study of phase transitions with NNs is a better understanding of the predictions of the NN, to eventually infer a model of the quantum system and interpretability can assist us in this endeavor. The interpretability method that we study analyzes the influence of the training points on a test prediction and it depends on the curvature of the NN loss landscape. This further inspired an in-depth study of the loss of quantum machine learning (QML) applications which we as well will discuss. In this thesis, we give answers to the questions of how we can leverage NNs to classify phases of matter and we use a method that allows to do domain adaptation to transfer the learned "intuition" from systems without noise onto systems with noise. To map the phase diagram of quantum many-body systems in a fully unsupervised manner, we study a method known from anomaly detection that allows us to reduce the human input to a mini mum. We will as well use interpretability methods to study NNs that are trained to distinguish phases of matter to understand if the NNs are learning something similar to an order parameter and if their way of learning can be made more accessible to humans. And finally, inspired by the interpretability of classical NNs, we develop tools to study the loss landscapes of variational quantum circuits to identify possible differences between classical and quantum ML algorithms that might be leveraged for a quantum advantage. La investigación en la intersección del aprendizaje automático (machine learning, ML) y la física cuántica es una área en crecimiento reciente debido al éxito y las enormes expectativas de ambas áreas. ML es posiblemente una de las tecnologías más prometedoras que ha alterado y seguirá alterando muchos aspectos de nuestras vidas. Es casi seguro que la forma en que investigamos no es una excepción y el ML, con su capacidad sin precedentes para encontrar patrones ocultos en los datos ayudará a futuros descubrimientos científicos. La física cuántica, por otro lado, aunque a veces no es del todo intuitiva, es una de las teorías físicas más exitosas, y además estamos a punto de adoptar algunas tecnologías cuánticas en nuestra vida diaria. La física cuántica de los muchos cuerpos (many-body) es una subárea de la física cuántica donde estudiamos el comportamiento colectivo de partículas o átomos y la aparición de fenómenos que se deben a este comportamiento colectivo, como las fases de la materia. El estudio de las transiciones de fase de estos sistemas a menudo requiere cierta intuición de cómo podemos cuantificar el parámetro de orden de una fase. Los algoritmos de ML pueden imitar algo similar a la intuición al inferir conocimientos a partir de datos de ejemplo. Por lo tanto, pueden descubrir patrones que son invisibles para el ojo humano, lo que los convierte en excelentes candidatos para estudiar las transiciones de fase. Al mismo tiempo, se sabe que los dispositivos cuánticos pueden realizar algunas tareas computacionales exponencialmente más rápido que los ordenadores clásicos y pueden producir patrones de datos que son difíciles de simular en los ordenadores clásicos. Por lo tanto, existe la esperanza de que los algoritmos ML que se ejecutan en dispositivos cuánticos muestren una ventaja sobre su analógico clásico. Estudiamos dos caminos diferentes a lo largo de la vanguardia del ML y la física cuántica. Por un lado, estudiamos el uso de redes neuronales (neural network, NN) para clasificar las fases de la materia en sistemas cuánticos de muchos cuerpos. Por otro lado, estudiamos los algoritmos ML que se ejecutan en ordenadores cuánticos. La conexión entre ML para la física cuántica y la física cuántica para ML en esta tesis es un subárea emergente en ML: la interpretabilidad de los algoritmos de aprendizaje. Un ingrediente crucial en el estudio de las transiciones de fase con NN es una mejor comprensión de las predicciones de la NN, para inferir un modelo del sistema cuántico. Así pues, la interpretabilidad de la NN puede ayudarnos en este esfuerzo. El estudio de la interpretabilitad inspiró además un estudio en profundidad de la pérdida de aplicaciones de aprendizaje automático cuántico (quantum machine learning, QML) que también discutiremos. En esta tesis damos respuesta a las preguntas de cómo podemos aprovechar las NN para clasificar las fases de la materia y utilizamos un método que permite hacer una adaptación de dominio para transferir la "intuición" aprendida de sistemas sin ruido a sistemas con ruido. Para mapear el diagrama de fase de los sistemas cuánticos de muchos cuerpos de una manera totalmente no supervisada, estudiamos un método conocido de detección de anomalías que nos permite reducir la entrada humana al mínimo. También usaremos métodos de interpretabilidad para estudiar las NN que están entrenadas para distinguir fases de la materia para comprender si las NN están aprendiendo algo similar a un parámetro de orden y si su forma de aprendizaje puede ser más accesible para los humanos. Y finalmente, inspirados por la interpretabilidad de las NN clásicas, desarrollamos herramientas para estudiar los paisajes de pérdida de los circuitos cuánticos variacionales para identificar posibles diferencias entre los algoritmos ML clásicos y cuánticos que podrían aprovecharse para obtener una ventaja cuántica.
Tensor Networks are a relatively new machine learning approach. The architectures proposed initially are inspired by approaches from quantum many-body physics simulations. One common layout is the matrix product state (MPS) also known as a tensor train optimized with gradient descent techniques. We introduce a global normalization condition, so that the MPS represents a quantum state. We investigate two optimization methods that find the locally optimal tensors and compare them regarding their effectiveness. One is based on gradient descent and the other on an adaptation of DMRG.
In this thesis, quantum many-body systems are studied by means of tensor network methods. After introducing the quantum many-body problem and discussing paradigmatic models as well as established methods for their solution, the focus is set on a practical approach to tensor network methods, always keeping in mind the realistic numerical applicability of the tools devised. In order to achieve this objective, we focus on loop-free network geometries, which allow to boost the computational performance to the greatest possible extent. The developed algorithms are described and benchmarked in detail, starting from their elementary constituents, namely the multidimensional arrays called tensors which are at the heart of any tensor network algorithm. We then apply the developed simulation techniques to a diverse collection of quantum many-body models of current research interest. We are interested, in particular, in a characterization of the ground-state properties of these models, but we also investigate problems beyond the zero-temperature equilibrium setting, such as time evolution or finite-temperature behavior. Specifically, novel findings for the phase diagrams of the disordered Bose-Hubbard chain and of the Heisenberg chain with additional biquadratic interactions are presented, as well as compelling new evidence for the existence of fractional quantum Hall states in the interacting Harper-Hofstadter model.
La creciente complejidad de las amenazas cibernéticas exige sistemas de detección de intrusiones capaces de procesar tráfico de red dinámico y de alta dimensión. Aunque los métodos clásicos de aprendizaje automático han logrado un gran rendimiento en este ámbito, siguen enfrentándose a limitaciones relacionadas con la escalabilidad, la adaptabilidad y la robustez frente a los patrones de ataque en constante evolución. El aprendizaje automático cuántico se ha revelado como una alternativa prometedora; sin embargo, los procesadores cuánticos actuales, imponen limitaciones prácticas relacionadas con el ruido, la disponibilidad limitada de qubits, la decoherencia y la profundidad de los circuitos.Este artículo presenta a Xander, una arquitectura híbrida en ensamble cuántico-clásico para la detección de intrusiones en redes bajo las restricciones de la era NISQ. El marco propuesto integra modelos cuánticos, entre los que se incluyen componentes de máquinas de vectores de soporte cuánticos, clasificadores cuánticos variacionales y redes neuronales convolucionales cuánticas, con modelos clásicos como Random Forest, XGBoost y perceptrones multicapa.Estos modelos se combinan mediante un mecanismo optimizado de votación suave ponderada y se complementan con una estrategia de respaldo dinámica diseñada para reducir el impacto de los resultados cuánticos inestables. Los experimentos se llevaron a cabo utilizando subconjuntos reducidos y preprocesados de los conjuntos de datos CIC-IDS-2017 y CIC-IDS-2018, aplicando el análisis de componentes principales para permitir la codificación de características compatibles con la cuántica.El marco se evaluó mediante simulación clásica, simulación cuántica y ejecución en hardware cuántico real. Los resultados muestran que el enfoque híbrido alcanza un alto rendimiento de clasificación y mantiene un comportamiento estable bajo el ruido inducido por el hardware, alcanzando un rendimiento competitivo. Los hallazgos sugieren que los modelos híbridos constituyen una vía práctica para integrar la computación cuántica en aplicaciones de ciberseguridad sin requerir una ventaja cuántica a corto plazo.
During the past two decades, thanks to the mutual fertilization of the research in quantum information and condensed matter, new approaches based on purely quantum features without any classical analog turned out to be very useful in the characterization of many-body quantum systems (MBQS). A peculiar role is obviously played by the study of purely quantum correlations, manifesting in the “spooky” properties of entanglement and nonlocality (or Bell correlations), which ultimately discriminate classical from quantum regimes. It is, in fact, such kind of correlations that give rise to the plethora of intriguing emergent behaviors of MBQS, which cannot be reduced to a mere sum of the behaviors of individual components, the most important example being the quantum phase transitions. However, despite being indeed closely related concepts, entanglement and nonlocality are actually two different resources. With regard to the entanglement, we will use it to characterize several instances of MBQS, to exactly locate and characterize quantum phase transitions in spin-lattices and interacting fermionic systems, to classify different gapped quantum phases according to their topological features and to provide a purely quantum signature of chaos in dynamical systems. Our approach will be mainly numerical and for simulating the ground states of several one-dimensional lattice systems we draw heavily on the celebrated “density matrix renormalization group” (DMRG) algorithm in the “matrix product state” (MPS) ansatz. A MPS is a one-dimensional tensor network (TN) representation for quantum states and occupies a pivotal position in what we have gained in thinking MBQS from an entanglement perspective. In fact, the success of TNs states mainly relies on their fulfillment, by construction, of the so called “entanglement area law”. This is a feature shared by the ground states of gapped Hamiltonians with short-range interactions among the components and consists of a sub-extensive entanglement entropy, which grows only with the surface of the bipartition. This property translates in a reduced complexity of such systems, allowing affordable simulations, with an exponential reduction of computational costs. Besides the use of already existing TN-based algorithms, an effort will be done to develop a new one suitable for high-dimensional lattices. While many useful results are available for the entanglement in many different contexts, less is known about the role of nonlocality. Formally, a state of a multi-party system is defined nonlocal if its correlations violate some “Bell inequality” (BI). The derivation of the BIs for systems consisting of many parties is a formidable task and only recently, a class of them, relevant for nontrivial states, has been proposed. In an important chapter of the thesis, we apply these BIs to fully characterize the phase transition of a long-range ferromagnetic Ising model, doing a comparison with entanglement-based results and then making one of the first efforts in the study of MBQS from a nonlocality perspective. Durante las dos últimas décadas, gracias al enriquecimiento mutuo entre las investigaciones en información cuántica y materia condensada, se han desarrollado nuevos enfoques que han resultado muy útiles en la caracterización de los sistemas cuánticos de muchos cuerpos (SCMC), basados en características puramente cuánticas sin ningún análogo clásico. El estudio de las correlaciones puramente cuánticas juega obviamente un papel fundamental. Estas correlaciones se manifiestan en las propiedades del entrelazamiento cuántico (“entanglement”) y no-localidad (o correlaciones de Bell), que en última instancia discriminan los regímenes clásicos de los regímenes cuánticos. Este tipo de correlaciones son, de hecho, las que dan lugar a la plétora de comportamientos emergentes enigmáticos de los SCMC, que no pueden reducirse a una mera suma de los comportamientos de los componentes individuales, siendo el ejemplo más importante siendo las transiciones de fase cuánticas (TFC). Sin embargo, a pesar de ser conceptos estrechamente relacionados, el entrelazamiento y la no-localidad son en realidad dos recursos diferentes. Con respecto al entrelazamiento, lo utilizaremos para caracterizar varios ejemplos de SCMC, para localizar y caracterizar exactamente las TFC en retículos de espines y de sistemas de fermiones interactuantes, para clasificar las diferentes fases cuánticas de acuerdo con su topología y para proporcionar una señal puramente cuántica del caos en los sistemas dinámicos. Nuestro enfoque será principalmente numérico y para simular los estados fundamentales de varios sistemas unidimensionales nos basamos en gran medida en el célebre algoritmo “density matrix renormalization group” (DMRG), formulado en el ansatz de los “matrix product states” (MPS). Un MPS es un “retículos de tensores” (“tensor networks”, TN) unidimensional que representa estados cuánticos y ocupa una posición central entre los mayores logros obtenidos al estudiar los SCMC desde la perspectiva del entrelazamiento cuántico. De hecho, el éxito de los TN depende principalmente de su cumplimiento, por construcción, de una “ley del área” (“area-law”) de la entropía de entrelazamiento. Esta es una característica compartida por los estados fundamentales de los Hamiltonianos con interacciones de corto alcance entre los componentes del sistema y con una brecha (“gap”) entre el estado fundamental y los niveles excitados, que consiste en una entropía de entrelazamiento subextensiva, que crece sólo con la superficie de la bipartición. Esta propiedad se traduce en una menor complejidad de dichos sistemas, permitiendo simulaciones asequibles, con una reducción exponencial de los costes computacionales. Además del uso de los algoritmos ya existentes basados en TN, se desarrollará uno nuevo adecuado para sistemas en dimensiones altas. Si bien se dispone de muchos resultados útiles para el entrelazamiento en muchos contextos diferentes, se sabe menos sobre el papel jugado por la no-localidad. Formalmente, un estado de un sistema compuesto de muchas partes, se define como no-local si sus correlaciones violan alguna “desigualdad de Bell” (“Bell inequality”, BI). La derivación de dichas desigualdades para sistemas compuestos de muchas partes es un reto y sólo recientemente se ha propuesto una clase de ellas, relevante para estados no triviales. En un capítulo importante de la tesis, aplicamos estas BIs para caracterizar completamente la transición de fase de un modelo de Ising ferromagnético con interacciones de largo alcance, haciendo una comparación con los resultados basados en el entrelazamiento y luego haciendo uno de los primeros esfuerzos en el estudio de los SCMC desde una perspectiva de la no-localidad.
Tensor network states are ubiquitous in the investigation of quantum many-body (QMB) physics. Their advantage over other state representations is evident from their reduction in the computational complexity required to obtain various quantities of interest, namely observables. Additionally, they provide a natural platform for investigating entanglement properties within a system. In this dissertation, we develop various novel algorithms and optimizations to tensor networks for the investigation of QMB systems, including classical and quantum circuits. Specifically, we study optimizations for the two-dimensional Ising model in a transverse field, we create an algorithm for the k-SAT problem, and we study the entanglement properties of random unitary circuits. In addition to these applications, we reinterpret renormalization group principles from QMB physics in the context of machine learning to develop a novel algorithm for the tasks of classification and regression, and then utilize machine learning architectures for the time evolution of operators in QMB systems.