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
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
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
论文提出了一种新的基于能量的生成量子多体状态表示方法,该方法可以在保留系统已知对称性与结构的情况下,使用一个小数量的参数进行学习,并且可以用于预测物理观测量的期望值
Apr, 2023
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
本研究提出了一种基于机器学习技术的有效模拟量子多体系统动力学的方法,使用受限玻尔兹曼机表示混合多体量子态,并导出一个指向时间演化和稳态的变分蒙特卡洛算法,通过针对耗散自旋晶格系统的数值实例验证了该方法的准确性。
Feb, 2019
本文提出了一种基于深度学习的量子力学波函数预测框架,以实现分子结构的反向设计,用于优化目标电子性质,表明这种方法打开了机器学习和量子化学更协同的前景。
Jun, 2019
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
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。
Jul, 2020
本研究提出了一种基于量子电路学习的算法,可以利用本地门和量子位连接等量子硬件能力来协助量子设备的表征,并训练浅层电路进行生成式任务。此方法可以学习绿伯格 - 霍恩 - 泽林格(Greenberger-Horne-Zeilinger)状态的最佳制备方法,也可以有效地制备连续热态的近似表示,其波函数在其幅度中编码玻尔兹曼概率。最后,研究提供了一种新的硬件无关指标,称为 qBAS 得分,可用于衡量近期量子设备的性能。
Jan, 2018