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。