반도체 스핀 시스템 위상도 매핑을 위한 반정밀도 프로그램 완화 기법

초록

본 논문은 반정밀도 프로그램(SDP) 완화 방법을 이용해 1차원 및 2차원 양자 스핀 모델의 위상도를 효율적으로 도출한다. 최적화된 모멘트 벡터의 코사인 유사도를 통해 전이점을 자동 탐지하고, 관측값에 대한 경계 설정으로 자발적 대칭 파괴 현상을 포착한다. TFI와 FBH 모델을 재현하고, NNN 상호작용을 추가한 FBH‑NNN 모델의 새로운 위상 변화를 제시한다.

상세 분석

이 연구는 양자 스핀 시스템의 바닥 상태 문제를 다항식 최소화 형태로 재구성한 뒤, 그에 대한 반정밀도 프로그램(SDP) 완화 문제를 정의한다. 핵심은 ‘모멘트 행렬’ M을 양의 반정밀도 조건(M ≽ 0)만으로 제한함으로써, 실제 양자 상태 집합 Q를 포함하는 볼록 집합 S_rel 위에서 에너지를 최소화한다는 점이다. 이렇게 하면 전통적인 변분법이 제공하는 상한보다 더 낮은(즉, 더 정확한) 에너지 하한을 보장받을 수 있다. 또한, SDP는 다항식 형태의 관측값 ⟨O⟩에 대한 상·하한을 동시에 구할 수 있게 해, 대칭 파괴와 같은 비평형 현상을 정량적으로 추정한다.

논문은 먼저 1차원 transverse field Ising (TFI) 모델을 L=30 사이트에 적용한다. h/J 파라미터를 변화시키며 얻은 모멘트 벡터 ŷ(h) 사이의 코사인 유사도 S_C(ŷ_fix, ŷ_j)를 계산하면, 동일 위상 내에서는 S_C가 거의 1에 가깝고 전이점 근처에서 급격히 감소한다는 특징이 드러난다. 이는 무감독 학습 방식으로 위상 구분을 가능하게 한다. 또한, ⟨σ_z⟩와 ⟨σ_x⟩에 대한 SDP 기반 상·하한을 비교했을 때, 전이점에서 경계 차이 Δb가 뚜렷하게 피크를 형성함을 확인한다. 특히 h/J<1 구간에서 ⟨σ_z⟩가 두 개의 대칭적인 바닥 상태(|↑…⟩, |↓…⟩) 사이에서 degenerate함을 경계값이 포착한다는 점은, SDP가 자발적 대칭 파괴를 자연스럽게 반영함을 보여준다.

다음으로 2차원 frustrated bilayer Heisenberg (FBH) 모델을 L=6(양쪽 레이어 각각 3×3 격자)에서 분석한다. 여기서는 두 개의 인트라‑레이어 결합 J_∥, 인터‑레이어 결합 J_⊥, 그리고 교차 결합 J_x을 파라미터로 갖는다. 기존 연구에서 알려진 DS(다이머 싱글톤), DT_AF(다이머 트리플렛 반강자성), BAF(양층 반강자성) 세 위상이 존재하며, 첫 번째 전이는 1차, 두 번째 전이는 2차로 알려져 있다. 논문은 초기 ŷ_fix을 (J_⊥/J_∥, J_x/J_∥)=(0.2,0.9)와 같이 DS 위상 깊숙이 위치시킨 뒤, 전체 파라미터 공간에 대해 S_C를 스캔한다. 결과는 첫 번째 전이선(DS↔DT_AF)을 명확히 드러내며, 이후 다른 ŷ_fix을 선택해 DT_AF와 BAF 사이의 전이선도 탐지한다. 이 과정에서 코사인 유사도만으로는 전이의 차수를 정확히 구분하기 어려워, 관측값 경계와 변분법 결과를 보조적으로 활용한다는 점을 강조한다.

마지막으로 NNN 상호작용 J_2를 도입한 FBH‑NNN 모델(J_2/J_∥=0.5)을 조사한다. 기존에 확보한 세 개의 ŷ_fix을 그대로 사용해 새로운 파라미터 평면에서 S_C를 계산하면, DT_AF와 DS 위상은 여전히 높은 유사도를 보이지만 BAF 위상과의 겹침이 크게 감소한다. 이는 BAF 영역이 축소되거나 새로운 중간 위상이 등장했을 가능성을 시사한다. 실제로 논문 부록의 추가 분석에서는 BAF와 DS 사이에 미세한 전이선이 형성됨을 확인한다. 이러한 결과는 SDP 기반 방법이 복잡한 상호작용 구조에서도 위상 변화를 민감하게 포착할 수 있음을 입증한다.

전체적으로, 이 연구는 (1) SDP 완화가 기존 변분법 대비 확실히 더 낮은 에너지 하한을 제공하고, (2) 모멘트 벡터의 코사인 유사도가 위상 구분에 유용한 무감독 지표가 되며, (3) 관측값에 대한 상·하한을 통해 대칭 파괴와 같은 비평형 현상을 정량화할 수 있음을 보여준다. 또한, 다항식 차수와 모멘트 선택을 조절함으로써 계산 복잡도를 다항식 수준으로 유지하면서도 2차원 복잡계에 적용 가능함을 시연한다. 향후 연구에서는 더 높은 차수의 SDP 계층을 도입해 경계의 타이트함을 개선하고, 머신러닝 기반 클러스터링과 결합해 전이 차수 자동 판별을 시도할 여지가 있다.