Jun, 2016

利用人工神经网络解决量子多体问题

PDF
TL;DR通过机器学习的波函数系统性降低了量子物理中多体问题的复杂度，通过基于人工神经网络的变化神经元的量子状态的变分表示和强化学习方案，能够准确地描述复杂相互作用量子系统的时间演变和平衡和动态特性，为解决量子多体问题提供了新的强有力的工具。
quantum physicsmany-body problemmachine learningneural networksreinforcement learning
发现论文，激发创造
  • 耗散量子多体动力学神经网络方法

    本研究提出了一种基于机器学习技术的有效模拟量子多体系统动力学的方法，使用受限玻尔兹曼机表示混合多体量子态，并导出一个指向时间演化和稳态的变分蒙特卡洛算法，通过针对耗散自旋晶格系统的数值实例验证了该方法的准确性。

    Feb, 2019

  • 用人工神经网络研究二维量子多体动力学

    该研究讨论了利用人工神经网络编码量子多体波函数的方法，有效地模拟了二维空间中的量子物质的无平衡实时演化，并应用到横向场伊辛模型上，验证了该方法的准确性和可行性。

    Dec, 2019

  • 使用人工神经网络关联器谱假设进行 A≤4 核的变分蒙特卡罗计算

    本文提出了神经网络量子态的解释，以近似求解核物质的多体薛定谔方程，成功将 ANN 波函数与传统的二体和三体 Jastrow 函数和基本准确的 Green's 函数 Monte Carlo 结果进行了基准测试。

    Jul, 2020

  • 用深度神经网络高效表征量子多体状态

    深度神经网络具有很高的表示能力，能够高效地表示大多数物理态，然而浅层神经网络在计算复杂度理论中的一些较高层次上不能够高效地表示这些态。

    Jan, 2017

  • 使用深度神经网络构建量子多体系统的精确表示

    我们开发了一种构造性方法来生成人工神经网络，代表大量多体格子哈密顿量的准确基态。它基于深层玻尔兹曼机架构，在其中，隐藏层的两层中介绍了可见层中的物理自由度之间的量子相关性。通过对物理和神经元自由度的配置进行采样，可以测量物理量，并获得基态的紧凑、准确的网络表示，而且完全是确定性的。有了我们的方法，作为多体量子系统的紧凑、经典表示，它是标准路径积分的一种替代方案，也有可能对基于受限玻尔兹曼机架构的数值方法进行系统改进。

    Feb, 2018

  • 采用深度神经网络求解多电子薛定谔方程

    本文提出了新颖的深度学习架构 —— 费米神经网络作为用于处理许多电子系统的有效波函数仿真，该方法可以在各种原子和小分子上获得比其他变分量子蒙特卡罗 Ansätze 更高的精度，优于其他从头开始的量子化学方法，可以直接优化之前难以处理的许多电子系统的波函数。

    Sep, 2019

  • 具有神经网络假设的变分量子蒙特卡罗方法在开放式量子系统中的应用

    通过使用变分 Monte Carlo 方法和神经网络密度矩阵表示，我们开发了一种有效模拟开放量子系统非平衡稳定态的方法，并通过建模二维耗散性 XYZ 自旋模型进行测试。

    Feb, 2019

  • 使用深度神经网络学习量子系统的潜力

    本论文探讨通过无监督学习将量子系统的哈密顿量近似重构，以实现神经网络对量子现象的认识及理解。

    Jun, 2020

  • 在崎岖的神经网络景观中学习非随机量子哈密顿量的基态

    研究了利用人工神经网络作为通用变分波函数描述强相互作用量子系统的表现，特别是对于方格上的自旋模型，提出了使用由两个解耦实值网络组成的近似形式，并采用具体的缓解策略克服了固有的数值不稳定性。

    Nov, 2020

  • 用深度自回归模型高效变分模拟多体量子系统

    使用一种新的神经网络架构代替马尔科夫链蒙特卡洛（MCMC）采样方法来支持高效和精确的量子状态预测，这种方法在二维相互作用自旋模型中验证了其精确性和可扩展性。

    Feb, 2019