Jun, 2023

NNQS-Transformer: 一种有效可扩展的神经网络量子态方法用于从头计算的量子化学

PDF
TL;DR我们开发了一种基于转换器的神经网络量子态方法，用于从头计算电子结构，并采用数据中心的并行化方案，平行化的批量采样策略，以及计算有效的局部能源计算方法。对化学体系的研究表明，我们方法的精度优于现有技术，并且在大分子系统上具有良好的强弱可扩展性。
neural network quantum stateab initio electronic structurevariational monte carloparallel batch samplingchemical systems
发现论文，激发创造
  • 神经网络量子多体基态振幅的变分优化

    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

  • 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

  • 走向物理上可实现的量子神经网络

    本文提出了一种基于带限傅里叶展开的量子感知器（QPs）转移函数的模型，用于设计可扩展的训练过程的量子神经网络（QNNs），并在其中添加了一种随机化的量子随机梯度下降技术，消除了样本复制的需要，并证明该训练过程期望收敛于真实最小值，这有助于提高数据效率和遵守禁止复制规则。

    Mar, 2022

  • 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

  • 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

  • 基于变分 Monte Carlo 的近端优化神经网络量子态的基态搜索方案

    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

  • 构建开放量子多体系统的神经稳定态

    本文提出了一种基于神经网络量子态的新型变分方案来模拟开放量子多体系统的静态态。我们使用受限玻尔兹曼机器描述的高表现力变分方案，称之为神经静态态方案，计算服从 Lindblad 主方程的量子动力学的静态态。将静态状态搜索问题映射为寻找相应的 Hermitian 运算符的零能量基态，可以应用传统的变分蒙特卡罗方法进行优化。我们的方法被证明能有效地模拟各种自旋系统，即在一维和二维中的横场伊辛模型和一维中的 XYZ 模型。

    Feb, 2019

  • 神经网络反向传播变换用于量子多体波函数

    本文提出了一种基于神经网络的波函数 —— 神经网络反流 (NNB)，并对 Hubbard 模型进行了测试，结果表明 NNB 显著降低了相对误差、恢复了观测值和单粒子轨道的对称性，降低了双占据密度。

    Jul, 2018

  • 高效优化和可解释的量子神经网络

    我们提出一种基于费米模型的量子神经网络，其物理特性作为输出，并建立了与反向传播相媲美的高效优化，在具有挑战性的经典机器学习基准上具有竞争力的准确度，并且在量子系统上实现高精度且不需要预处理的机器学习，此外研究结果可用于量子纠缠分析和可解释的机器学习。

    Nov, 2022

  • 基于注意力机制的 Transformer 网络用于量子态重构

    通过利用 Transformer 模型来捕捉不同测量结果之间的相关性，本研究提出了一种基于注意力机制的量子状态重构方法，能够高效地恢复纯态和混合态的密度矩阵。

    May, 2023