Sep, 2023

全卷积生成机器学习方法用于加速非平衡 Green 函数模拟

PDF
TL;DR该研究介绍了一种结合机器学习和设备建模仿真的新方法，采用了量子力学的非平衡格林函数（NEGF）方法进行设备仿真，同时利用卷积生成网络扩展了机器学习方法。实验结果表明 ML-NEGF 方法相较于标准的 NEGF 方法具有更快的收敛速度，通过有效学习纳米片晶体管行为的物理特性，大幅提高了 Poisson-NEGF 耦合仿真的收敛加速度，平均提升了 60%，同时保持了相同的精度。
发现论文，激发创造
  • 利用机器学习方法简化代数多重网格的算子复杂度

    提出了一种基于数据驱动和机器学习的方法来计算代数多重网格 (AMG) 方法中的非 Galerkin 粗网格算子，同时保持整体的 AMG 收敛性，以解决操作符复杂度增加的问题。

    Jul, 2023

  • 混合量子图神经网络用于分子属性预测

    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

  • 用量子完全图神经网络进行喷注判别

    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。

    Mar, 2024

  • 无梯度学习量子神经网络优化

    本文提出了一种新颖的元优化算法，通过对量子电路的参数进行元优化，从而最小化目标函数，避免了经典梯度优化的局限性，通过实验和理论论证，在不同数据集上，相比现有基于梯度的算法，该方法可以更快更稳定地达到更好的效果。

    Apr, 2023

  • 基于图神经网络学习的三维颗粒流动模拟

    使用图神经网络开发了基于 GNN 的 granular flows 模拟器（GNS），成功复现了各种纵横比的柱体崩塌的整体行为，并且计算速度比高保真数值模拟器快 300 倍。

    Nov, 2023

  • 基于图神经网络的颗粒流代理模型

    该研究使用图神经网络建立了一种基于局部交互法则的颗粒流动的高效模拟器，称为 GNS。该模型在训练中考虑了不同颗粒轨迹，并且在测试中展现了优秀的性能，可用于预测不同宽高比下的颗粒柱倒塌情况。GNS 快速且可泛化到远大于训练数据的粒子数目范畴。

    May, 2023

  • 量子生成对抗网络

    本文研究如何在量子领域扩展敌对训练的概念，并展示如何构建使用量子电路的生成性对抗网络。我们还展示了如何利用另一个量子电路计算梯度，同时提供了一个简单实用的电路 ansatz 来参数化量子机器学习模型，并进行了简单的数值实验以证明量子生成对抗网络可以成功地进行训练。

    Apr, 2018

  • 混合量子经典图卷积网络

    本研究提出一个混合量子经典图卷积网络 (QGCNN) 来处理高能物理数据中的稀疏数据，其在参数数量方面比经典多层感知器和卷积神经网络具有优势，并且在测试准确性方面与量子卷积神经网络相当。同时，研究表明探究图卷积操作和其他量子机器学习模型的应用可能有利于推动高能物理研究和其他科学领域。

    Jan, 2021

  • 二维电子气背景电势估计的机器学习方法

    利用扫描门显微术（SGM）以及三种不同的机器学习技术来估计 2D 电子气背景势能，研究着重于以进化搜索算法为基础的缺陷分析，为量子材料的探测提供了一种新的方法。

    Oct, 2023

  • 非生成能量模型

    本文提出 Non-Generative EBM 方法作为一种有效的训练方法，可以在保持 EBM 中关键的稳定性和性能的同时，降低计算复杂度和开销。该方法能够大幅提高 CIFAR10 和 CIFAR100 数据集的预期校准误差。

    Apr, 2023