关键词quantum many-body systems
搜索结果 - 10
- 基于配对的图神经网络用于模拟量子材料
使用基于配对的图神经网络 $ extit {GemiNet}$ 模拟量子多体系统,通过将 BCS 均场波函数与由图神经网络参数化的广义配对振幅相结合,我们的架构提供了一种准确、灵活、可扩展的方法来模拟多电子系统。将 GemiNet 应用于二 - 具有可证明保证的量子多体态指数级提升的高效机器学习
通过机器学习协议,可以对定义在物理参数 $m$ 维空间上的哈密顿量族的基态及其性质进行预测,但泛型缝合哈密顿量的精确预测需要指数级样本复杂度;当 $m$ 是有限的常数时且精度为主要关注点时,通过利用物理约束和预测密度矩阵的正定核,可以获得样 - 利用神经网络波函数、相关度和能级光谱细致的量子多体求解器揭示的 Dirac 型节点自旋液体
采用机器学习技术的量子态表示,成功地用最先进的计算方案识别了一个存在于自旋 - 1/2 平方晶矩阵上的自旋液体相,该相具有间隙分数化自旋 - 1/2 Dirac 型自旋子,与杯酸盐 d 波超导体的激发相似,揭示了一个未被探索的临界行为,并显 - 深度学习增强变分蒙特卡罗方法在量子多体物理中的应用
文章介绍了采用深度神经网络结合重要性抽样梯度优化算法在数值量子多体计算中的应用,通过设计出高效的卷积神经网络结构,成功地计算出了一维 SU ($N$) 自旋链上的基态能量和环相关函数,并取得了与 Bethe-Ansatz 精确解的极好一致性 - 利用变分自动编码器学习困难量子分布
研究如何应用机器学习技术中的一种生成模型 —— 变分自编码器来高效表示和编码一类难以对其进行采样的量子状态,该方法可以有效地对量子硬件中预期的大规模量子态进行描述和初步表征。
- 量子多体系统的高效成像
本文介绍了一种新的多体量子系统特征提取技术 Matrix Product State tomography,它可以使用有效的方法来准确地估计一个广泛类别的量子系统状态,这对于研究大量子体系和验证量子仿真器和计算机非常有用。
- 深度张量神经网络从量子化学角度的洞见
本文提出了一种基于深度张量神经网络(DTNN)的方法,可以实现空间和化学分辨率高的分子系统在量子力学观测量方面的分析,此方法可以用于预测分子的原子能和局部化学势,同位素能和分子的电子结构,为揭示复杂的量子化学体系提供了新的突破。
- 提高变分张量网络算法的效率
通过张量网络,基于基于张量网络状态和多尺度纠缠重整化设备的变分方法,展示了与张量网络缩减相关的几个结果,并证明了单个张量环境的可计算成本同时适用于任何其他张量。通过优化 1D 量子系统的多尺度纠缠重整化设备(MERA),大大缩短了计算时间。
- 纠缠熵的区域律 - 综述
本文回顾了黑洞物理学、量子信息科学和多体物理等领域中出现的区域定律现状。重点探讨了在一维和更高的空间维度上网格模型的严格结果,以及多体系统中的各种数量与量子纠缠的联系。讨论了基于矩阵乘积状态、高维类比和纠缠重整化状态的状态的纠缠内容以及它们 - 二维及以上量子多体系统的重正化算法
我们使用投影纠缠度对量子多体系统进行描述,它们将矩阵乘积状态自然地扩展到二维及以上,并提出了一种有效率的算法来确定相关函数。我们利用这个结果构建了强大的数值模拟技术,以描述两个及更高维度自旋系统的基态、有限温度和演化。