Jul, 2020

具有首量子化深度神经网络量子态的二维无自旋格子费米子相位

PDF
TL;DR开发了一种第一量子化深度神经网络技术，用于分析格上强耦合费米系统，利用深度残差网络和卷积残差块确定了最近邻相互作用方格点阵上自旋无粒子的基态，较小系统的结果与精确对角化结果比较一致，且具有很高的精度，可以在大系统中准确预测金属和电荷有序相之间的边界。
deep neural networkfermionic systemslatticeground statecorrelation functions
发现论文，激发创造
  • 基于费米子神经网络的从头算电子结构态

    本文介绍了一种将神经网络量子态扩展到相互作用费米子问题建模的方法，并使用该方法在多个二原子分子上进行电子结构计算，并将其与耦合簇方法和波函数的许多体变分态进行了基准测试，最终达到化学精确度或更好的水平。

    Sep, 2019

  • 深度学习格点规范理论

    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

  • 强关联费米子的机器学习阶段

    使用神经网络机器学习技术，在辅助场配置上训练三维卷积网络，成功预测了半填充下哈伯模型的磁相图，并利用迁移学习方法预测了磁相的不稳定性扩展到了至少 5% 的掺杂度，显示了在相关量子多体系统中运用机器学习的广阔前景。

    Sep, 2016

  • 自旋子费米面的机器学习特征发现

    我们使用量子 - 经典混合方法和可解释的机器学习方法，探测无特征量子态的新迹象，并在模拟六角格子上 Kitaev - Heisenberg 模型中明确表示出磁场引起间隔相的特征振荡。

    Jun, 2023

  • 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

  • 使用深度神经网络构建量子多体系统的精确表示

    我们开发了一种构造性方法来生成人工神经网络，代表大量多体格子哈密顿量的准确基态。它基于深层玻尔兹曼机架构，在其中，隐藏层的两层中介绍了可见层中的物理自由度之间的量子相关性。通过对物理和神经元自由度的配置进行采样，可以测量物理量，并获得基态的紧凑、准确的网络表示，而且完全是确定性的。有了我们的方法，作为多体量子系统的紧凑、经典表示，它是标准路径积分的一种替代方案，也有可能对基于受限玻尔兹曼机架构的数值方法进行系统改进。

    Feb, 2018

  • 利用神经网络量子态研究二维受阻 J1-J2 模型

    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

  • 连续空间周期性系统的神经网络量子态

    基于深集合神经网络架构，我们引入了一系列用于在空间周期性存在的强相互作用系统中进行模拟的神经量子态，并将输入坐标周期性转换为可直接描述周期性玻色子系统的形式。我们展示了对具有高斯相互作用的一维和二维相互作用量子气体以及 $^4He$ confined in a one-dimensional geometry 的实例应用。我们发现，在一维系统中，我们可以非常精确地估计粒子的基态能量和径向分布函数。在二维系统中，我们得到了良好的基态能量估计，与从更传统的方法获得的结果相当。

    Dec, 2021

  • 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

  • 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