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
研究了利用人工神经网络作为通用变分波函数描述强相互作用量子系统的表现,特别是对于方格上的自旋模型,提出了使用由两个解耦实值网络组成的近似形式,并采用具体的缓解策略克服了固有的数值不稳定性。
Nov, 2020
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
使用卷积神经网络模型作为变分 ansatz,研究了二维受挫磁体的模型,证明了所得结果与现有的最先进方法相当甚至更好。
Mar, 2019
本文提出格点卷积网络(LCN),使用自门控和注意力机制,将非方形晶格转换为格状扩展晶格,并在正方形、蜂窝状、三角形和菱形晶格上实现了性能与现有方法相媲美,无需手工编码。
Jun, 2022
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
最近的神经网络展现出对电子基态波函数的精确逼近。在本研究中,我们探索了一种反转的方法,首先根据电子坐标计算反对称量,然后应用对称性等变的神经网络以保持反对称性。我们的实证结果表明,这种方法将简化为一个 Jastrow 因子,它是波函数中常用的置换不变的乘法因子。在本研究的评估中,我们得出了对于用于表示电子波函数的符号等变函数既没有理论优势也没有实证优势的结论。
Mar, 2024
本文介绍如何使用 G-CNN 创建具有特定对称性质的量子状态的最大表现模型,并在经典算法中取得更好的性能表现。
Apr, 2021
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
通过结合机器学习和量子 Monte Carlo 的见解,采用神经网络 Ansatz 状态的随机重构方法是量子多体问题高精度基态估计的一个有前途的新方向。虽然该方法在实践中表现良好,但对学习动态了解甚少。本文通过分析学习景观,揭示了算法的一些隐藏细节。
Oct, 2019