Mar, 2024
神经网络学习与量子引力
Neural Network Learning and Quantum Gravity
Stefano Lanza
TL;DR用神经网络学习可以发现低能量有效场论的新性质，并可解决多种学习问题，包括插值和多类别分类问题，产生高准确性的结果。
Abstract
The landscape of low-energy effective field theories stemming from string
theory is too vast for a systematic exploration. However, the meadows of the
string landscape may be fertile ground for the application of machine learning
techniques. Employing →
low-energy effective field theoriesstring theorymachine learning techniquesneural network learninglearnability properties
发现论文，激发创造
量子系统的神经网络表示
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
学习神经量子态的几何学
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
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
在崎岖的神经网络景观中学习非随机量子哈密顿量的基态
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
利用人工神经网络解决量子多体问题
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