通过计算图表示高阶费曼图在量子场论中的应用,利用图张量运算构建了类似分形结构的结构,显著减少了计算冗余,结合机器学习技术的自动微分技术有效地优化了计算图,在各种计算平台上开发了费曼图编译器,实现了在金属密度下计算准粒子有效质量的高度精确度,展示了量子场论和机器学习的相互作用,为解决复杂量子多体问题提供了一条新的途径。
Feb, 2024
介绍了图神经网络在粒子物理学中应用的各种情况,并探讨了它在粒子物理学中的潜在应用。
Jul, 2020
使用一种物理学方法对深度学习进行研究,通过重整化群、Feynman 图和副本构造了一个多功能场论形式体系用于分析高度超参数化情况下的深度学习,研究表明 DNNs 除了高度超参数化外,仍然具有解释性和预测性 —— 偏向于简单函数。
Jun, 2019
本文介绍如何应用张量网络作为量子启发机器学习技术,有效地分类来自 CERN 的大型强子对撞机数据,特别是分类所谓的 b - 喷注,并解释分类结果。同时,还认为张量网络在学习过程中根据所获取到的信息选择重要的特征并调整网络结构,在不需要重复学习过程的情况下实现精密分类或快速响应。这些结果为实现高频率实时应用奠定了基础,这是目前和未来 LHCb 事件分类的关键之一,能够触发每秒数千万个事件。
Apr, 2020
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
利用数据驱动技术的材料设计过程中,我们开发了一种融合经典和量子计算的混合模型来预测钙钛矿材料的能量形成。该模型的性能与经典模型和其他机器学习算法相媲美,为探索量子特征编码和参数化量子电路在图神经网络等复杂机器学习算法中的巨大改进提供了一种新途径。
May, 2024
通过使用神经网络的通用逼近定理,本文提出了一种新的映射方法,将广义的量子力学系统转化为带有网络参数统计求和的神经网络形式,从而将机器学习与量子世界更加紧密地联系起来。
Mar, 2024
本文研究使用神经网络逼近矩阵元的方法进行精密现象学研究,比较其与传统模拟技术的效果可以实现模拟时间缩短,且在标准观测方面有很好的一致性。
Feb, 2022
这篇论文介绍了一种新的变分量子电路模型 —— 量子完全图神经网络(QCGNN),用于学习完全图,并通过与经典图神经网络的比较分析建立了一个基准。
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