Apr, 2024

多体开放量子系统的非马尔可夫耗散动力学的神经网络方法

PDF
TL;DR利用神经量子态的方法，我们提供了一种人工智能策略来模拟耦合非马尔可夫环境的开放量子系统的动力学，通过将神经量子态方法与含衰减耦合的二次量化量子主方程（DQME-SQ）结合起来，我们能够在显著减少动力学变量的同时实现与传统的层次方程相当的精度，为研究以前难以处理的非马尔可夫开放量子动力学在各个现代科学前沿领域提供了新的思路。
发现论文，激发创造
  • 耗散量子多体动力学神经网络方法

    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

  • 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

  • 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

  • 用人工神经网络研究二维量子多体动力学

    该研究讨论了利用人工神经网络编码量子多体波函数的方法，有效地模拟了二维空间中的量子物质的无平衡实时演化，并应用到横向场伊辛模型上，验证了该方法的准确性和可行性。

    Dec, 2019

  • 开放量子系统从马尔科夫转变为非马尔科夫动力学的实验控制

    通过控制环境来驱动系统处于非马尔科夫状态，从而实现量子记忆等领域的应用。

    Sep, 2011

  • 开放量子系统稳态的变分神经网络假设

    本文介绍了一种用神经网络方法确定开放式量子晶格系统稳态的通用变分方法，以纯化的神经网络假设在带有辅助自由度的扩展希尔伯特空间中构建了格子系统的稳态密度矩阵。使用马尔科夫链蒙特卡罗采样可以执行与主方程相关的代价函数的变分最小化。作为第一个应用和原理证明，我们将该方法应用于耗散性量子横向伊辛模型。

    Feb, 2019

  • 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

  • 使用循环神经网络优化动力解耦量子存储

    利用基于循环神经网络的机器学习模型来优化动力解耦（DD）序列，通过对比实验结果表明该方法能够提高量子存储器的性能和噪声抑制，且易于在实验中执行。

    Apr, 2016

  • 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

  • 使用循环神经网络从物理观测重构超导量子比特的量子动力学

    本文研究了基于神经网络的方法，能够预测量子系统的演化轨迹，同时提取系统哈密顿量，测量算符和物理参数。该方法可用于噪声表征，参数估计，反馈和优化量子控制。

    Nov, 2018