May, 2019

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

PDF
TL;DR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。
发现论文，激发创造
  • 限制预训练神经波函数的变化蒙特卡罗法

    利用深度学习的变分蒙特卡罗方法（DL-VMC）预训练模型，结合改进的几何嵌入架构和 SE (3)- 等变模型来表示分子轨道，在大量化学多样性分子集上进行自我监督波函数优化，在没有任何优化的情况下，获得胜过 CCSD (T)-2Z 等传统方法的波函数和绝对能量，并通过少量微调步骤获得精确的相对能量，提高了零编辑准确性。

    Jul, 2023

  • 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

  • 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

  • 基于变分 Monte Carlo 的近端优化神经网络量子态的基态搜索方案

    本文介绍了一种基于神经网络量子态 (NQS) 和变分蒙特卡罗 (VMC) 方法的优化算法，该算法使用多次梯度下降，通过重用不匹配的样本来实现近端优化 (PO)。使用该算法进行计算，得到了具有竞争力的能量值，进一步证明了其在一维横场伊辛模型和二维海森堡反铁磁体中的地状态搜索的有效性。

    Oct, 2022

  • 神经网络量子多体基态振幅的变分优化

    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

  • 固体迁移性神经波函数

    基于深度学习的变分蒙特卡洛（DL-VMC）近期被证明是一种高精确度的方法，用于找到多电子薛定谔方程的近似解。

    May, 2024

  • 用于深度强化学习的变分量子电路

    本文研究了变分量子电路在深度强化学习中的应用，利用量子信息编码方案减少模型参数，用经验回放和目标网络重塑经典深度强化学习算法，成功证明了变分量子电路可以用于决策制定和政策选择强化学习，适用于许多即将到来的近期量子计算机。

    Jun, 2019

  • 带有离子电荷初始化的开源费米子神经网络

    在本文中，我们旨在将一种称为 FermiNet 的后 - HF 深度神经网络模型集成到一个标准且广泛使用的开源库 DeepChem 中，并提出了新的初始化技术来克服离子上赋予过多或过少电子的困难。

    Jan, 2024

  • 使用深度生成网络的量子问题变分优化

    基于生成模型的变分生成优化网络（VGON）是一个通用方法，用于设计变分优化算法，并在量子任务中得到广泛应用。

    Apr, 2024

  • Wasserstein 量子蒙特卡罗：解决量子多体 Schrödinger 方程的新方法

    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