关键词condensed matter physics
搜索结果 - 5
- 高效和等变的图网络用于预测量子哈密顿量
本文提出了一种称为 QHNet 的 SE（3）- 等变网络，其利用创新的 QHNet 体系结构实现了效率和等变性，并在 MD17 数据集上表现出可比较于最先进方法的性能，同时消耗 50％的内存。
- 超流体的神经波函数
使用 FermiNet 神经网络框架在变分蒙特卡洛算法中研究强相互作用、超流体状态的费米气体。我们发现原 FermiNet 架构存在限制，提出了简单的修改方案以提高精度，并证明了新架构相对于原架构的优势。该方法可以推广到其他超流体系统的研究 - 复杂量子系统的张量网络
本文概述了张量网络状态和方法在物理、量子信息学、人工智能等科学领域中的应用，并简要介绍了相关概念和发展，包括张量网络结构、算法、全局和规范对称性、费米子、拓扑序、相分类、纠缠哈密顿量、AdS / CFT、二维 Hubbard 模型、二维量子 - 变分量子态对角化
本研究提出了一种基于变分混合量子 - 经典算法的量子状态对角化算法，该算法可以通过量子计算评估门序列的成本（比经典成本评估更快），并且经典计算机使用此信息来调整门序列的参数，主要适用于凝聚态物理和机器学习领域中的状态对角化问题，它可以通过最 - 强关联费米子的机器学习阶段
使用神经网络机器学习技术，在辅助场配置上训练三维卷积网络，成功预测了半填充下哈伯模型的磁相图，并利用迁移学习方法预测了磁相的不稳定性扩展到了至少 5% 的掺杂度，显示了在相关量子多体系统中运用机器学习的广阔前景。