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
本文介绍了一种用神经网络方法确定开放式量子晶格系统稳态的通用变分方法,以纯化的神经网络假设在带有辅助自由度的扩展希尔伯特空间中构建了格子系统的稳态密度矩阵。使用马尔科夫链蒙特卡罗采样可以执行与主方程相关的代价函数的变分最小化。作为第一个应用和原理证明,我们将该方法应用于耗散性量子横向伊辛模型。
Feb, 2019
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
本文提出了一种基于神经网络量子态的新型变分方案来模拟开放量子多体系统的静态态。我们使用受限玻尔兹曼机器描述的高表现力变分方案,称之为神经静态态方案,计算服从 Lindblad 主方程的量子动力学的静态态。将静态状态搜索问题映射为寻找相应的 Hermitian 运算符的零能量基态,可以应用传统的变分蒙特卡罗方法进行优化。我们的方法被证明能有效地模拟各种自旋系统,即在一维和二维中的横场伊辛模型和一维中的 XYZ 模型。
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
利用神经量子态的方法,我们提供了一种人工智能策略来模拟耦合非马尔可夫环境的开放量子系统的动力学,通过将神经量子态方法与含衰减耦合的二次量化量子主方程(DQME-SQ)结合起来,我们能够在显著减少动力学变量的同时实现与传统的层次方程相当的精度,为研究以前难以处理的非马尔可夫开放量子动力学在各个现代科学前沿领域提供了新的思路。
Apr, 2024
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
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
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
神经网络量子态(NQSs)是通过结合传统方法和深度学习技术进行变分优化的一种新方法,用于找到量子多体基态,并逐渐成为传统变分方法的竞争对手。本文将量子多体变分波函数拆分为实值振幅神经网络和符号结构的乘积,专注于振幅网络的优化,同时保持符号结构固定。我们的方法在三个典型的量子多体系统上进行了测试,所得到的基态能量低于或与传统变分蒙特卡罗(VMC)方法和密度矩阵重整化群(DMRG)相当。令人惊讶的是,在受挫型海森堡 $J_1$-$J_2$ 模型中,我们的结果优于文献中复值卷积神经网络,这意味着复值 NQS 的符号结构很难被优化。我们将来将研究 NQS 的符号结构优化。
Aug, 2023
本文介绍了量子变分蒙特卡罗方法(Quantum Variational Monte Carlo, QVMC)在 Born 分布空间下的解释及用 Wasserstein 指标代替 Fisher-Rao 指标的 Wasserstein Quantum Monte Carlo (WQMC) 算法,其动态结果更快地收敛于分子系统的基态。
Jul, 2023