論文の概要: Convergence to the fixed-node limit in deep variational Monte Carlo
- arxiv url: http://arxiv.org/abs/2010.05316v2
- Date: Thu, 25 Mar 2021 10:46:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 13:15:38.299066
- Title: Convergence to the fixed-node limit in deep variational Monte Carlo
- Title(参考訳): 深い変分モンテカルロにおける固定ノード極限への収束
- Authors: Zeno Sch\"atzle, Jan Hermann, Frank No\'e
- Abstract要約: 変分量子モンテカルロ (QMC) は電子シュリンガー方程式の解法である。
最近導入された深部QMCアプローチにより、変分QMCは拡散QMCの精度に達することができる。
ネットワークサイズの増加に伴い,QMCが固定ノード制限にどのようにアプローチするかを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Variational quantum Monte Carlo (QMC) is an ab-initio method for solving the
electronic Schr\"odinger equation that is exact in principle, but limited by
the flexibility of the available ansatzes in practice. The recently introduced
deep QMC approach, specifically two deep-neural-network ansatzes PauliNet and
FermiNet, allows variational QMC to reach the accuracy of diffusion QMC, but
little is understood about the convergence behavior of such ansatzes. Here, we
analyze how deep variational QMC approaches the fixed-node limit with
increasing network size. First, we demonstrate that a deep neural network can
overcome the limitations of a small basis set and reach the mean-field
complete-basis-set limit. Moving to electron correlation, we then perform an
extensive hyperparameter scan of a deep Jastrow factor for LiH and H$_4$ and
find that variational energies at the fixed-node limit can be obtained with a
sufficiently large network. Finally, we benchmark mean-field and many-body
ansatzes on H$_2$O, increasing the fraction of recovered fixed-node correlation
energy of single-determinant Slater--Jastrow-type ansatzes by half an order of
magnitude compared to previous variational QMC results and demonstrate that a
single-determinant Slater--Jastrow--backflow version of the ansatz overcomes
the fixed-node limitations. This analysis helps understanding the superb
accuracy of deep variational ansatzes in comparison to the traditional trial
wavefunctions at the respective level of theory, and will guide future
improvements of the neural network architectures in deep QMC.
- Abstract(参考訳): 変分量子モンテカルロ(英: Variational quantum Monte Carlo、QMC)は、原理上は正確に、実際に利用可能なアンサーゼの柔軟性によって制限される電子的シュリンガー方程式の解法である。
最近導入されたディープQMCアプローチ、特に2つのディープニューラルネットワークアンサーゼであるPauliNetとFermiNetは、変分QMCが拡散QMCの精度に達することを可能にするが、そのようなアンサーゼの収束挙動についてはほとんど理解されていない。
ここでは,ネットワークサイズの増加に伴い,QMCが固定ノード制限にどのようにアプローチするかを分析する。
まず、深層ニューラルネットワークが、小さな基底集合の制限を克服し、平均場完全ベイズ集合の限界に達することを実証する。
電子相関に移行し、LiHとH$_4$に対する深いジャストロウ因子の広範なハイパーパラメータースキャンを行い、固定ノード限界における変動エネルギーは十分に大きなネットワークで得られることを示した。
最後に,H$_2$Oの平均場および多体アンサーゼをベンチマークし,単一行列式Slater-Jastrow型アンサーゼの固定ノード相関エネルギーを従来の変分QMC結果に比べて半等級増加させ,単一決定型Slater-Jastrow-バックフローバージョンのアンサーゼが固定ノード制限を克服することを示した。
この分析は、各理論レベルでの従来のトライアル波動関数と比較して、深部変分アンサーゼの超精度を理解するのに役立ち、深部QMCにおけるニューラルネットワークアーキテクチャの将来的な改善を導く。
関連論文リスト
- An SU(2)-symmetric Semidefinite Programming Hierarchy for Quantum Max
Cut [0.6873984911061559]
本稿では,Navascues-Pironio-Acin階層に基づく半定値プログラミング(SDP)緩和のファミリを紹介する。
階層構造は有限レベルで最適QMaxCut値に収束することを示す。
本稿では,SDP解法がフラストレーションフリーネスの効率よく計算可能な一般化となることを数値的に示す。
論文 参考訳(メタデータ) (2023-07-28T17:26:31Z) - Wasserstein Quantum Monte Carlo: A Novel Approach for Solving the
Quantum Many-Body Schr\"odinger Equation [56.9919517199927]
ワーッセルシュタイン量子モンテカルロ (WQMC) はフィッシャー・ラオ計量ではなくワーッセルシュタイン計量によって誘導される勾配流を用いており、テレポートではなく確率質量の輸送に対応する。
我々は、WQMCの力学が分子系の基底状態へのより高速な収束をもたらすことを実証的に実証した。
論文 参考訳(メタデータ) (2023-07-06T17:54:08Z) - Scaling Limits of Quantum Repeater Networks [62.75241407271626]
量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。
量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。
本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
論文 参考訳(メタデータ) (2023-05-15T14:57:01Z) - 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) - Symmetric Pruning in Quantum Neural Networks [111.438286016951]
量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。
ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。
本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
論文 参考訳(メタデータ) (2022-08-30T08:17:55Z) - The edge of chaos: quantum field theory and deep neural networks [0.0]
我々は、ディープニューラルネットワークの一般クラスに対応する量子場理論を明示的に構築する。
我々は、深さ$T$と幅$N$との比の摂動展開において、相関関数に対するループ補正を計算する。
我々の分析は、急速に出現するNN-QFT対応に対する第一原理のアプローチを提供し、ディープニューラルネットワークの臨界性の研究にいくつかの興味深い道を開く。
論文 参考訳(メタデータ) (2021-09-27T18:00:00Z) - Improving the accuracy and efficiency of quantum connected moments
expansions [4.9834612867114965]
量子化学において、変分量子固有解法(VQE)アルゴリズムはユビキタス化されている。
ここでは、ADAPT-VQEアルゴリズムを用いて浅い回路構築戦略をテストする。
論文 参考訳(メタデータ) (2021-03-16T15:13:40Z) - A Statistical Framework for Low-bitwidth Training of Deep Neural
Networks [70.77754244060384]
フル量子化トレーニング(FQT)は、ニューラルネットワークモデルのアクティベーション、重み、勾配を定量化することで、低ビット幅のハードウェアを使用する。
FQTの最大の課題は、特に勾配量子化が収束特性にどのように影響するかという理論的な理解の欠如である。
論文 参考訳(メタデータ) (2020-10-27T13:57:33Z) - Quantum-optimal-control-inspired ansatz for variational quantum
algorithms [105.54048699217668]
変分量子アルゴリズム (VQA) の中心成分は状態準備回路(英語版)であり、アンザッツ(英語版)または変分形式(英語版)とも呼ばれる。
ここでは、対称性を破るユニタリを組み込んだ「解」を導入することで、このアプローチが必ずしも有利であるとは限らないことを示す。
この研究は、より一般的な対称性を破るアンスの開発に向けた第一歩となり、物理学や化学問題への応用に繋がる。
論文 参考訳(メタデータ) (2020-08-03T18:00:05Z)
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。