Jul, 2020

使用人工神经网络关联器谱假设进行 A≤4 核的变分蒙特卡罗计算

PDF
TL;DR本文提出了神经网络量子态的解释，以近似求解核物质的多体薛定谔方程，成功将 ANN 波函数与传统的二体和三体 Jastrow 函数和基本准确的 Green's 函数 Monte Carlo 结果进行了基准测试。
quantum wave functionsneural-networknuclear many-body schrödinger equationpionless effective field theorygreen's function monte carlo
发现论文，激发创造
  • 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

  • 采用深度神经网络求解多电子薛定谔方程

    本文提出了新颖的深度学习架构 —— 费米神经网络作为用于处理许多电子系统的有效波函数仿真，该方法可以在各种原子和小分子上获得比其他变分量子蒙特卡罗 Ansätze 更高的精度，优于其他从头开始的量子化学方法，可以直接优化之前难以处理的许多电子系统的波函数。

    Sep, 2019

  • 量子力学中的人工神经网络方法

    本文研究了使用人工神经网络方法解决微分和积分微分算子的特征值问题，重点测试了一维 MorSe 势场的 Schrödinger 方程以及三维多项式系统、亨氏 - 海尔斯哈密顿量的情况，结果证明该方法准确性高、稳健性好、高效性强。

    May, 1997

  • 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

  • 在崎岖的神经网络景观中学习非随机量子哈密顿量的基态

    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

  • 超流体的神经波函数

    使用 FermiNet 神经网络框架在变分蒙特卡洛算法中研究强相互作用、超流体状态的费米气体。我们发现原 FermiNet 架构存在限制，提出了简单的修改方案以提高精度，并证明了新架构相对于原架构的优势。该方法可以推广到其他超流体系统的研究。

    May, 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

  • 使用扩散蒙特卡罗模拟最先进的费米神经网络波函数

    本文介绍了一种基于神经网络的 fermionic 系统的地面状态模型，使用 Diffusion Monte Carlo 改进了模型的结果，并针对模型进行了多个修改，使其在占用更少资源的同时保持或提高建模性能。 Diffusion Monte Carlo 的结果超过或与所有研究的系统的最先进性能相匹配。

    Mar, 2021

  • 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

  • 神经 Pfaffians: 解决非常多电子的 Schrödinger 方程

    本研究提出了一种通过学习普适的波函数以很高的精度逼近多电子体系基态的方法，并通过采用 Pfaffians 而非 Slater determinants，成功解决了在任意电子系统环境下强制实现反对称性的挑战，从而在多个系统中以化学精度计算基态和电离能，并且比以前的泛化神经波函数减小了能量误差。

    May, 2024