TetrisCNN per il rilevamento interpretabile delle fasi della materia a partire dai dati sperimentali di simulatori quantistici

Abstract degli autori

In generale, il rilevamento delle fasi della materia si basa sull’individuazione del corretto parametro d’ordine: un compito notoriamente difficile nel caso di transizioni sconosciute, tradizionalmente affrontato facendo affidamento sull’intuizione fisica e su congetture ragionate. Di recente, le reti neurali hanno offerto un approccio alternativo, individuando le transizioni di fase in modelli noti senza alcuna conoscenza fisica a priori. Tuttavia, questi approcci restano scatole nere e si limitano a individuare le fasi, senza chiarirne le proprietà. Inoltre, spesso incontrano difficoltà di fronte a dati sperimentali realistici e rumorosi, che rappresentano il banco di prova definitivo per i metodi automatizzati in fisica. Qui mettiamo in relazione queste prospettive introducendo TetrisCNN, un’architettura convoluzionale con rami paralleli dotati di filtri di forme diverse, che ricordano i blocchi di Tetris, e che apprende rappresentazioni latenti sparse e interpretabili direttamente in termini di correlatori di spin. Applicata a snapshot sperimentali di simulatori quantistici bidimensionali di Ising e XY, misurati in basi multiple, la rete non solo rileva transizioni di fase e crossover, ma esprime anche la propria rappresentazione latente e i confini decisionali sotto forma di formule simboliche costruite a partire da correlatori di spin misurabili sperimentalmente. Questo approccio apre la strada all’integrazione di reti neurali interpretabili con simulatori quantistici per scoprire e comprendere nuove fasi della materia.