关键词quantum many-body physics
搜索结果 - 8
- 预测基态性质:常数样本复杂度与深度学习算法
学习地面状态性质的量子多体物理问题中,提出了两种方法来实现恒定的样本复杂度,一种是对已知兴趣属性的 ML 模型进行简单修改,另一种是使用深度神经网络模型进行预测。
- 高效学习长程和等变量量子系统
在这项研究中,我们考虑了量子多体物理中的一个基础任务 - 寻找和学习量子哈密顿量及其性质的基态。最近的研究关注通过学习数据来预测几何局部可观测量之和的基态期望值。我们扩展了这些结果,超越了对哈密顿量和可观测量的局部要求,针对分子和原子系统中 - 自回归神经网张量网络:量子多体模拟中神经网络和张量网络的桥梁
提出了一种新的 Autoregressive Neural TensorNet (ANTN) 架构, 该架构能够准确模拟具有规范化波函数的量子状态的样本,拥有更广泛的表现力和对称性, 并能够应用于科学模拟和机器学习等领域。
- MM基于变分 Monte Carlo 的近端优化神经网络量子态的基态搜索方案
本文介绍了一种基于神经网络量子态 (NQS) 和变分蒙特卡罗 (VMC) 方法的优化算法,该算法使用多次梯度下降,通过重用不匹配的样本来实现近端优化 (PO)。使用该算法进行计算,得到了具有竞争力的能量值,进一步证明了其在一维横场伊辛模型和 - 量子算法测量
我们从计算复杂性的角度对实验量子物理学进行了系统研究,定义了量子算法测量 (QUALMs) 框架,用于研究量子多体物理学中的两个重要实验问题,并显示在使用实验样品的相干性 (空间和时间) 时,相较于分别访问每个实验样本的标准情况,可以实现可 - 受限波尔兹曼机与张量网络态的等价性
将 RBM 和 TNS 相连接,我们可以构建更强大的深度学习架构,并使用 TNS 内的纠缠熵限制来量化 RBM 的复杂数据集表现能力。同时,RBM 将量子多体状态表示为少量参数,这可能允许更有效的经典模拟。
- 神经网络状态中的量子纠缠
本文探讨了神经网络状态量子纠缠特性对量子多体物理的应用,重点研究了限制玻尔兹曼机的量子纠缠特性,并证明了其短距离状态满足任意维度和二元分区几何的面积律,并能高效表示大规模量子纠缠态。此外,文章还研究了具有随机权重参数的泛型 RBM 状态,并 - 张量网络最优收缩序列的快速识别
本文针对量子多体物理等领域中出现的大型张量网络 Ansaetze 计算中的问题提出了一种修改后的搜索算法,结合增强修剪功能,可以实现几个数量级的性能提升并保证找到单个张量网络的最优操作最小化收缩顺序。