Feb, 2019

用深度自回归模型高效变分模拟多体量子系统

PDF
TL;DR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。
artificial neural networksquantum statesmarkov chain monte carlogenerative modelsefficient sampling
发现论文，激发创造
  • 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

  • 自回归神经网络的无偏蒙特卡罗聚类更新

    该研究提出了一种使用物理对称性和变尺度聚类更新以消除偏差且方差较低的方法来进行高维概率分布的无偏抽样，测试了其在经典自旋系统的一阶和二阶相变中的可行性。

    May, 2021

  • 利用变分自动编码器学习困难量子分布

    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

  • 深度学习增强变分蒙特卡罗方法在量子多体物理中的应用

    文章介绍了采用深度神经网络结合重要性抽样梯度优化算法在数值量子多体计算中的应用，通过设计出高效的卷积神经网络结构，成功地计算出了一维 SU ($N$) 自旋链上的基态能量和环相关函数，并取得了与 Bethe-Ansatz 精确解的极好一致性。

    May, 2019

  • 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

  • 利用人工神经网络解决量子多体问题

    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

  • 高效优化和可解释的量子神经网络

    我们提出一种基于费米模型的量子神经网络，其物理特性作为输出，并建立了与反向传播相媲美的高效优化，在具有挑战性的经典机器学习基准上具有竞争力的准确度，并且在量子系统上实现高精度且不需要预处理的机器学习，此外研究结果可用于量子纠缠分析和可解释的机器学习。

    Nov, 2022

  • 基于等变贝叶斯神经网络的高精度不确定性感知原子间力建模

    通过引入新的蒙特卡罗马尔可夫链抽样算法以及新的基于 NequIP 的随机神经网络模型，本文绕过了现有的采样方法问题，实现了在揭示原子间力作用的学习中，准确性最高及良好的不确定性预估。

    Apr, 2023

  • 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

  • 基于神经网络的变分增强采样

    使用机器学习技术和变分增强采样方法结合来快速采样自由能面，通过采用神经网络表示偏差来决定采样的参数，在重复学习方案中对其进行确定并打破一些壁垒

    Apr, 2019