論文の概要: Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with
an artificial neural-network correlator ansatz
- arxiv url: http://arxiv.org/abs/2007.14282v2
- Date: Tue, 13 Apr 2021 21:41:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-07 23:07:01.476866
- Title: Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with
an artificial neural-network correlator ansatz
- Title（参考訳）: 人工ニューラルネットワーク相関器アンサッツを用いた$\mathbf{A\leq 4}$核の変分モンテカルロ計算
- Authors: Corey Adams, Giuseppe Carleo, Alessandro Lovato, Noemi Rocco
- Abstract要約: 光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。
我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
- 参考スコア（独自算出の注目度）: 62.997667081978825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The complexity of many-body quantum wave functions is a central aspect of
several fields of physics and chemistry where non-perturbative interactions are
prominent. Artificial neural networks (ANNs) have proven to be a flexible tool
to approximate quantum many-body states in condensed matter and chemistry
problems. In this work we introduce a neural-network quantum state ansatz to
model the ground-state wave function of light nuclei, and approximately solve
the nuclear many-body Schr\"odinger equation. Using efficient stochastic
sampling and optimization schemes, our approach extends pioneering applications
of ANNs in the field, which present exponentially-scaling algorithmic
complexity. We compute the binding energies and point-nucleon densities of
$A\leq 4$ nuclei as emerging from a leading-order pionless effective field
theory Hamiltonian. We successfully benchmark the ANN wave function against
more conventional parametrizations based on two- and three-body Jastrow
functions, and virtually-exact Green's function Monte Carlo results.
- Abstract（参考訳）: 多体量子波動関数の複雑性は、非摂動相互作用が顕著である物理学と化学のいくつかの分野の中心的側面である。
人工ニューラルネットワーク(anns)は、凝縮物や化学問題において量子多体状態を近似する柔軟なツールであることが証明されている。
本研究では,光核の基底状態波動関数をモデル化するニューラルネットワーク量子状態 ansatz を導入し,原子核多体schr\"odinger方程式を近似解する。
効率的な確率的サンプリングと最適化スキームを用いて,分野における ann の先駆的応用を拡張し,指数関数的アルゴリズム複雑性を提示する。
a\leq 4$ 核の結合エネルギーと点核密度を、pionless effective field theory hamiltonian で表されるように計算する。
我々は,2体および3体ジャストロウ関数に基づく従来のパラメトリゼーションと,事実上のグリーン関数モンテカルロ結果とを比較検討した。
関連論文リスト
- Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。
近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。
この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
論文 参考訳（メタデータ） (2024-05-23T16:30:51Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳（メタデータ） (2022-12-21T19:00:04Z) - Harmonic (Quantum) Neural Networks [10.31053131199922]
調和函数は自然界において豊富であり、マクスウェル方程式、ナヴィエ・ストークス方程式、熱、波動方程式の極限に現れる。
ユビキタスさと妥当性にもかかわらず、機械学習の文脈で高調波関数に対する帰納バイアスを組み込む試みは、ほとんどない。
ニューラルネットワークにおける調和関数の効率的な表現方法を示し、その結果を量子ニューラルネットワークに拡張する。
論文 参考訳（メタデータ） (2022-12-14T19:13:59Z) - Deep-neural-network approach to solving the ab initio nuclear structure
problem [0.799536002595393]
深層学習型変分量子モンテカルロアプローチであるFeynmanNetを開発した。
FeynmanNetは4$He,6$Li,そして最大16$Oで、地上のエネルギーと波動関数の非常に正確な解を提供できることを示す。
論文 参考訳（メタデータ） (2022-11-25T10:14:04Z) - Solving the nuclear pairing model with neural network quantum states [58.720142291102135]
本稿では,職業数形式論における核多体問題の解法としてモンテカルロ法を提案する。
リコンフィグレーションアルゴリズムのメモリ効率向上版を開発し,ハミルトニアンの期待値を最小限に抑えてネットワークをトレーニングする。
論文 参考訳（メタデータ） (2022-11-09T00:18:01Z) - Scalable neural quantum states architecture for quantum chemistry [5.603379389073144]
量子状態のニューラルネットワーク表現の変分最適化は、相互作用するフェルミオン問題の解決に成功している。
本稿では,Ab-initio量子化学応用のための,ニューラルネットワークに基づく変分量子モンテカルロ計算を改善するための拡張並列化手法を提案する。
論文 参考訳（メタデータ） (2022-08-11T04:40:02Z) - Ab-Initio Potential Energy Surfaces by Pairing GNNs with Neural Wave
Functions [2.61072980439312]
本研究では、グラフニューラルネットワーク(GNN)とニューラルウェーブ関数を組み合わせることで、VMCを介して複数の測地に対するシュル「オーディンガー方程式」を同時に解く。
既存の最先端ネットワークと比較して、私たちのポテンシャルエネルギーサーフェスネットワーク(PESNet)は、複数のジオメトリーのトレーニングを最大40倍スピードアップし、その精度をマッチングまたは超過します。
論文 参考訳（メタデータ） (2021-10-11T07:58:31Z) - Nuclei with up to $\boldsymbol{A=6}$ nucleons with artificial neural
network wave functions [52.77024349608834]
人工ニューラルネットワークを用いて、核の波動関数をコンパクトに表現する。
高精度な超球面調和法を用いて, それらの結合エネルギー, 点核子密度, ラジイをベンチマークした。
論文 参考訳（メタデータ） (2021-08-15T23:02:39Z) - Recurrent Neural Network Wave Functions [0.36748639131154304]
人工知能革命から生まれた中核技術は、リカレントニューラルネットワーク(RNN)である。
凝縮物質物理学者に対するいくつかの量子スピンモデルに対する基底状態エネルギー,相関関数,エンタングルメントエントロピーを計算し,RNN波動関数の有効性を示す。
論文 参考訳（メタデータ） (2020-02-07T19:00:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。