机器学习拓扑态
本文研究如何使用神经网络在拓扑绝缘体中区分不同的拓扑相,经过训练,即使是大于训练数据的的 Hamiltonians winding number,神经网络也能够预测其拓扑缠绕数,证明了神经网络能够从局部输入中捕捉到量子相的全局和非线性拓扑特征。同时,本文确认了神经网络学到了离散版本的缠绕数公式,在运用机器学习到物理系统时,研究了对称性的作用和正则化技术的相反影响。
Aug, 2017
采用神经网络通过监督学习来识别凝聚态系统中的相和相变,能够通过现代软件库方便地进行编程,能够检测到多种类型的序参量,包括高度非平凡的库仑相,并且即使在没有哈密顿量甚至相互作用的广义局部性知识下,也能够实现分类。
May, 2016
通过比较研究,证明 Restricted Boltzmann Machines 与 Tensor-Network states 有很强的联系,在表示多体量子态时可以提高神经网络的效率。
Oct, 2017
本文探讨了神经网络状态量子纠缠特性对量子多体物理的应用,重点研究了限制玻尔兹曼机的量子纠缠特性,并证明了其短距离状态满足任意维度和二元分区几何的面积律,并能高效表示大规模量子纠缠态。此外,文章还研究了具有随机权重参数的泛型 RBM 状态,并证明了其量子纠缠熵满足体积律缩放,并且具有泊松型能级统计规律。最后,文章将所得结论运用到了量子多体物理问题中,证明了神经网络代表的 RBM 状态可以高效地表示量子纠缠态,并能用于计算量子多体系统的基态和纠缠谱问题。
Jan, 2017
使用神经网络量子态精确计算二维时空中 Z_N 格点规范理论的基态,并通过转移学习研究其拓扑相和限制相变。在 Z_2 和 Z_3 情况下,分别发现了连续相变和弱一级相变,并计算了临界指数和临界耦合,表明神经网络量子态在格点规范理论研究中有很大潜力。
May, 2024
本文概述了张量网络状态和方法在物理、量子信息学、人工智能等科学领域中的应用,并简要介绍了相关概念和发展,包括张量网络结构、算法、全局和规范对称性、费米子、拓扑序、相分类、纠缠哈密顿量、AdS / CFT、二维 Hubbard 模型、二维量子反铁磁体、共形场论、量子化学、无序系统和多体定位等。
Dec, 2018
本文介绍了一种基于神经网络的机器学习方法,可以用于推断不同相的相图,通过获得从个体本征态中提取出来的纠缠谱。该方法在识别 MBL 相转变方面优于传统度量标准(如纠缠熵),从而揭示了更清晰的相边界和关于相图拓扑的新见解,这对于 MBL 相的发现具有参考价值。
Oct, 2017
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。
Jun, 2016
我们提出并分析了一种近似对称的神经网络家族,用于量子自旋液体问题。我们的方法在参数效率、可扩展性方面明显优于现有的无对称神经网络体系结构,并利用混合场拓扑码模型证明我们的方法与现有的张量网络和量子蒙特卡罗方法相竞争。此外,在最大的系统尺寸(N=480)下,我们的方法可以探索存在量子蒙特卡罗和有限尺寸矩阵乘积态无法解决的带有符号问题的哈密顿量。该网络包含一个完全对称的块以及一个非对称的块,我们认为它学习了类似准绝热延续的基态变换。我们的工作为在可解释的神经网络架构下研究量子自旋液体问题铺平了道路。
May, 2024
本研究针对机器学习在与近期量子设备设计、验证甚至混合的潜力进行了探讨,其中一个核心问题是神经网络是否能够提供量子状态的可处理表示。通过基于受限玻尔兹曼机的密度矩阵参数化,本方法能够较好地应用于混合状态的编码,可用于无监督任务的生成建模和状态测量等诸多方面。通过数值实现并应用于一些典型的纠缠光子状态,达到了与标准技术相当的保真度。
Jan, 2018