Jul, 2023

Wasserstein 量子蒙特卡罗：解决量子多体 Schrödinger 方程的新方法

PDF
TL;DR本文介绍了量子变分蒙特卡罗方法（Quantum Variational Monte Carlo, QVMC）在 Born 分布空间下的解释及用 Wasserstein 指标代替 Fisher-Rao 指标的 Wasserstein Quantum Monte Carlo (WQMC) 算法，其动态结果更快地收敛于分子系统的基态。
quantum variational monte carlodeep learningwasserstein quantum monte carloborn distributionsfisher-rao gradient flow
发现论文，激发创造
  • 限制预训练神经波函数的变化蒙特卡罗法

    利用深度学习的变分蒙特卡罗方法（DL-VMC）预训练模型，结合改进的几何嵌入架构和 SE (3)- 等变模型来表示分子轨道，在大量化学多样性分子集上进行自我监督波函数优化，在没有任何优化的情况下，获得胜过 CCSD (T)-2Z 等传统方法的波函数和绝对能量，并通过少量微调步骤获得精确的相对能量，提高了零编辑准确性。

    Jul, 2023

  • 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

  • 深度学习增强变分蒙特卡罗方法在量子多体物理中的应用

    文章介绍了采用深度神经网络结合重要性抽样梯度优化算法在数值量子多体计算中的应用，通过设计出高效的卷积神经网络结构，成功地计算出了一维 SU ($N$) 自旋链上的基态能量和环相关函数，并取得了与 Bethe-Ansatz 精确解的极好一致性。

    May, 2019

  • 一种高效的基于正规化流的薛定谔方程解决方案的理论框架

    通过利用范畴学可解的问题，本文解决了量子力学中求解电子薛定谔方程的问题并提出了一个高效的方法。

    May, 2024

  • 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

  • 准蒙特卡罗变分推断

    本文提出了基于 Quasi-Monte Carlo 采样的方差减少方法，有效地提高了 Monte Carlo gradient estimator 的 MCVI 性能，并通过实验验证了该方法。

    Jul, 2018

  • 三维切片瓦砾斯坦算法的拟蒙特卡罗方法

    我们提出了拟切片瓦瓦斯坦距离的拟蒙特卡洛逼近方法，并通过引入随机性来扩展为随机化拟切片瓦瓦斯坦，实验证实了其在各种三维任务中的优越性能。

    Sep, 2023

  • 固体迁移性神经波函数

    基于深度学习的变分蒙特卡洛（DL-VMC）近期被证明是一种高精确度的方法，用于找到多电子薛定谔方程的近似解。

    May, 2024

  • 基于得分的神经波函数学习模型

    本研究提出了一个新的用于计算量子多体基态性质的优化框架，该方法通过基于 Langevin 动力学的梯度分数进行抽样，避免了显式概率分布，采用加权分数匹配目标引导模型正确收敛到基态，测例表明其能准确地学习原子系统的基态，并为量子系统的更高效表示铺平了道路。

    May, 2023

  • 通过将基组神经网络与神经波函数配对生成从头算电势能面

    使用图神经网络结合神经波函数，同时使用 VM-C 方法解决多种几何结构下的薛定谔方程，极大地减少了计算资源的需求，速度提高了 40 倍以上，并达到或超过现有网络的精度水平，为量子机械计算提供了具有一定准确性且成本更低的开路。

    Oct, 2021