用深度神经网络高效表征量子多体状态
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
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
论文提出了一种新的基于能量的生成量子多体状态表示方法,该方法可以在保留系统已知对称性与结构的情况下,使用一个小数量的参数进行学习,并且可以用于预测物理观测量的期望值
Apr, 2023
本文研究表明现代深度学习架构 —— 深度卷积和递归网络能够有效地表示高度纠缠的量子系统,与基于张量网络的表示方法相比,这是因为网络操作中信息的固有重用是它们区别于标准张量网络表示的关键特征,并提高了它们的纠缠容量。
Mar, 2018
研究如何应用机器学习技术中的一种生成模型 —— 变分自编码器来高效表示和编码一类难以对其进行采样的量子状态,该方法可以有效地对量子硬件中预期的大规模量子态进行描述和初步表征。
Oct, 2017
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
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
通过使用神经网络的通用逼近定理,本文提出了一种新的映射方法,将广义的量子力学系统转化为带有网络参数统计求和的神经网络形式,从而将机器学习与量子世界更加紧密地联系起来。
Mar, 2024
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