論文の概要: Learning the ground state of a non-stoquastic quantum Hamiltonian in a
rugged neural network landscape
- arxiv url: http://arxiv.org/abs/2011.11214v3
- Date: Thu, 17 Jun 2021 09:40:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-23 09:15:32.930505
- Title: Learning the ground state of a non-stoquastic quantum Hamiltonian in a
rugged neural network landscape
- Title(参考訳): 頑丈なニューラルネットワークのランドスケープにおける非stoquastic量子ハミルトンの基底状態の学習
- Authors: Marin Bukov, Markus Schmitt, Maxime Dupont
- Abstract要約: ニューラルネットワークに基づく普遍的変動波動関数のクラスについて検討する。
特に,本稿では,ニューラルネットワークの表現率とモンテカルロサンプリングが一次制限因子ではないことを示す。
- 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: Strongly interacting quantum systems described by non-stoquastic Hamiltonians
exhibit rich low-temperature physics. Yet, their study poses a formidable
challenge, even for state-of-the-art numerical techniques. Here, we investigate
systematically the performance of a class of universal variational
wave-functions based on artificial neural networks, by considering the
frustrated spin-$1/2$ $J_1-J_2$ Heisenberg model on the square lattice.
Focusing on neural network architectures without physics-informed input, we
argue in favor of using an ansatz consisting of two decoupled real-valued
networks, one for the amplitude and the other for the phase of the variational
wavefunction. By introducing concrete mitigation strategies against inherent
numerical instabilities in the stochastic reconfiguration algorithm we obtain a
variational energy comparable to that reported recently with neural networks
that incorporate knowledge about the physical system. Through a detailed
analysis of the individual components of the algorithm, we conclude that the
rugged nature of the energy landscape constitutes the major obstacle in finding
a satisfactory approximation to the ground state wavefunction, and prevents
learning the correct sign structure. In particular, we show that in the present
setup the neural network expressivity and Monte Carlo sampling are not primary
limiting factors.
- Abstract(参考訳): 非確率的ハミルトニアンによって記述される強い相互作用量子系は、豊富な低温物理学を示す。
しかし、彼らの研究は、最先端の数値技術でさえも、恐ろしい挑戦となる。
本稿では,2乗格子上のフラストレーションスピン-1/2$$J_1-J_2$ハイゼンベルクモデルを用いて,人工ニューラルネットワークに基づく普遍変動波動関数のクラスの性能を系統的に検討する。
物理インフォームドインプットを使わずにニューラルネットワークアーキテクチャに注目し,2つの分離された実数値ネットワークと振幅と変動波動関数の位相のアンザッツを用いることを論じる。
確率的再構成アルゴリズムにおける固有数値不安定性に対する具体的な緩和戦略を導入することで、最近報告された物理系に関する知識を組み込んだニューラルネットワークに匹敵する変動エネルギーを得る。
アルゴリズムの個々の成分の詳細な分析により, エネルギー景観の頑丈な性質は, 基底状態波動関数に対する十分に近い近似を求める上で大きな障害となり, 正しい符号構造を学ぶことを防止することができると結論づけた。
特に,本研究では,ニューラルネットワークの表現率とモンテカルロサンプリングが主要な制限因子ではないことを示す。
関連論文リスト
- Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - ANTN: Bridging Autoregressive Neural Networks and Tensor Networks for
Quantum Many-Body Simulation [3.886883839410292]
我々は,テンソルネットワークと自己回帰ニューラルネットワークを橋渡しする新しいアーキテクチャであるAutoregressive NeuralNetを開発した。
自己回帰ニューラルネットワークは、正規化波動関数をパラメータ化し、テンソルネットワークと自己回帰ニューラルネットワークの表現性を一般化し、自己回帰ニューラルネットワークから様々な対称性を継承することを示す。
論文 参考訳(メタデータ) (2023-04-04T17:54:14Z) - 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) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳(メタデータ) (2022-06-30T17:45:05Z) - Momentum Diminishes the Effect of Spectral Bias in Physics-Informed
Neural Networks [72.09574528342732]
物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。
彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。
本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
論文 参考訳(メタデータ) (2022-06-29T19:03:10Z) - Learning topological defects formation with neural networks in a quantum
phase transition [0.0]
一次元横場量子イジングモデルにおける位相的欠陥の時間進化、普遍統計、相関について検討する。
キンク数の最初の3つの累積とクエンチ率の間に普遍的な力-法則関係を確立し、キンクの二項分布を示す。
最後に、正規化されたキンクキンク相関についても検討し、解析式と数値が一致していることを見出した。
論文 参考訳(メタデータ) (2022-04-14T06:00:19Z) - Analytic theory for the dynamics of wide quantum neural networks [7.636414695095235]
本研究では,変分量子機械学習モデルの学習誤差に対する勾配降下のダイナミクスについて検討する。
ランダムな量子回路では、残差トレーニング誤差の指数的減衰をシステムのパラメータの関数として予測し、特徴付ける。
論文 参考訳(メタデータ) (2022-03-30T23:24:06Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - Physical Constraint Embedded Neural Networks for inference and noise
regulation [0.0]
ニューラルネットワークに偶数ノード対称性と保存則を埋め込む方法を提案する。
先行知識を使わずに正確に対称性を推測できることを実証する。
物理拘束型組込みニューラルネットワークの雑音耐性特性を強調した。
論文 参考訳(メタデータ) (2021-05-19T14:07:20Z) - Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with
an artificial neural-network correlator ansatz [62.997667081978825]
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。
論文 参考訳(メタデータ) (2020-07-28T14:52:28Z) - Understanding and mitigating gradient pathologies in physics-informed
neural networks [2.1485350418225244]
この研究は、物理システムの結果を予測し、ノイズの多いデータから隠れた物理を発見するための物理情報ニューラルネットワークの有効性に焦点を当てる。
本稿では,モデル学習中の勾配統計を利用して,複合損失関数の異なる項間の相互作用のバランスをとる学習速度アニーリングアルゴリズムを提案する。
また、そのような勾配に耐性のある新しいニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-01-13T21:23:49Z)
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。