May, 2024

具有统一变分方法的二维电子气的基态相

PDF
TL;DR通过使用基于消息传递神经量子态结构的一种单一变分假设，我们对二维电子气（2DEG）的基态进行了统一描述，得到了比以前的最佳结果更低的基态能量，发现在密度范围内自动转变成 Wigner 晶体相，并在液态和 Wigner 晶体之间的中间态中存在增强的短程向列状自旋相关性。
发现论文，激发创造
  • 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

  • 时间相关多电子薛定谔方程的基于第一原理的变分波函数

    这项研究介绍了一种变分方法，用于描述多电子量子系统的时间演化，在捕捉多体相关性方面超越平均场近似，通过参数化时间演化的量子态来近似状态的演化，并利用时间相关的 Jastrow 因子和反流变换来考虑电子的相关性。研究还展示了使用神经网络来参数化这些函数的方法，并通过三个不同的系统进行了验证。结果显示我们的变分方法能够准确捕捉量子态的时间演化，揭示了相互作用电子系统的量子动力学，超越了平均场方法的能力。

    Mar, 2024

  • 连续空间周期性系统的神经网络量子态

    基于深集合神经网络架构，我们引入了一系列用于在空间周期性存在的强相互作用系统中进行模拟的神经量子态，并将输入坐标周期性转换为可直接描述周期性玻色子系统的形式。我们展示了对具有高斯相互作用的一维和二维相互作用量子气体以及 $^4He$ confined in a one-dimensional geometry 的实例应用。我们发现，在一维系统中，我们可以非常精确地估计粒子的基态能量和径向分布函数。在二维系统中，我们得到了良好的基态能量估计，与从更传统的方法获得的结果相当。

    Dec, 2021

  • 玻色变分量子电路中的能量依赖性贫瘠高原

    文中提出，针对光学系统中的信息处理，分析了连续变量 Bosonic 量子变分电路（VQCs）中的训练问题，发现其学习难度受到电路能量的影响，提出了一种能够减轻训练难度的方法。

    May, 2023

  • 使用更少量的量子比特进行变分量子本征求解器

    通过渐进增加量子比特的数目，同时采用张量网络表示方式和对实际系统对称性的保留，我们提出了一种方法来研究近期噪声中等规模量子计算机上的量子多体系统的基态性质，并在实用场景中展示了其可行性。

    Feb, 2019

  • 深度学习与薛定谔方程

    使用深度卷积神经网络预测四类二维电势约束下电子的能量，实验结果表明，模型在预测基态能量上可以达到化学精度水平，并探究了模型在预测其他物理量（如动能、第一激发态能量）表现的情况。

    Feb, 2017

  • 二维多尺度纠缠重整化泛函：量子伊辛模型

    我们提出了一个对称的多尺度纠缠重整化 MERA 版本，应用这个版本在 2D 量子系统上找到了一个未知的基态。结果显示在 $8 imes8$ 正方形点阵中，即使是最小的非平凡截断参数，也非常精确。

    Oct, 2007

  • 采用先进的多体方法解决实际材料中的多电子问题：氢链的状态方程

    本稿使用多体计算方法，对无限链氢原子的状态方程进行了研究，得出了一系列结果，为开发更好的研究方法提供了基准。通过研究连续空间界限和热力学界限，确定了每个原子完成的基态能量与键长之间的精确关系，并给出了所有不确定性的置信区间。

    May, 2017

  • 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

  • 从单个基态准确学习等变量量子系统

    通过从一个基本样本中学习，我们显著提高了在具有周期边界条件系统的所有基态性质的预测算法的效率，并证明了在热力学极限下预测误差趋近于零。

    May, 2024