論文の概要: Gauge Invariant Autoregressive Neural Networks for Quantum Lattice
Models
- arxiv url: http://arxiv.org/abs/2101.07243v1
- Date: Mon, 18 Jan 2021 18:55:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-27 08:45:53.440411
- Title: Gauge Invariant Autoregressive Neural Networks for Quantum Lattice
Models
- Title(参考訳): 量子格子モデルに対するゲージ不変自己回帰ニューラルネットワーク
- Authors: Di Luo, Zhuo Chen, Kaiwen Hu, Zhizhen Zhao, Vera Mikyoung Hur, and
Bryan K. Clark
- Abstract要約: 量子格子モデルのためのゲージ不変自己回帰ニューラルネットワークの構築手法を開発する。
我々は、ゲージ不変自己回帰ニューラルネットワークの基底状態と、様々なモデルのリアルタイムダイナミクスを可変に最適化する。
- 参考スコア(独自算出の注目度): 18.221514992713544
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Gauge invariance plays a crucial role in quantum mechanics from condensed
matter physics to high energy physics. We develop an approach to constructing
gauge invariant autoregressive neural networks for quantum lattice models.
These networks can be efficiently sampled and explicitly obey gauge symmetries.
We variationally optimize our gauge invariant autoregressive neural networks
for ground states as well as real-time dynamics for a variety of models. We
exactly represent the ground and excited states of the 2D and 3D toric codes,
and the X-cube fracton model. We simulate the dynamics of the quantum link
model of $\text{U(1)}$ lattice gauge theory, obtain the phase diagram for the
2D $\mathbb{Z}_2$ gauge theory, determine the phase transition and the central
charge of the $\text{SU(2)}_3$ anyonic chain, and also compute the ground state
energy of the $\text{SU(2)}$ invariant Heisenberg spin chain. Our approach
provides powerful tools for exploring condensed matter physics, high energy
physics and quantum information science.
- Abstract(参考訳): ゲージ不変性は、凝縮物物理学から高エネルギー物理学まで量子力学において重要な役割を果たす。
量子格子モデルのためのゲージ不変自己回帰ニューラルネットワークの構築手法を開発する。
これらのネットワークは効率的にサンプリングでき、ゲージ対称性を明示的に従うことができる。
我々は、ゲージ不変自己回帰ニューラルネットワークの基底状態と、様々なモデルのリアルタイムダイナミクスを可変に最適化する。
2Dおよび3Dトーリック符号の基底状態と励起状態、およびX-キューブフラクトンモデルを正確に表現する。
我々は、$\text{u(1)}$格子ゲージ理論の量子リンクモデルのダイナミクスをシミュレートし、2d $\mathbb{z}_2$ゲージ理論の位相図を取得し、$\text{su(2)}_3$anyonic chainの位相遷移と中心電荷を決定し、$\text{su(2)}$ invariant heisenbergスピンチェーンの基底状態エネルギーを計算する。
我々のアプローチは、凝縮物質物理学、高エネルギー物理学、量子情報科学を探索するための強力なツールを提供する。
関連論文リスト
- Neural network approach to quasiparticle dispersions in doped
antiferromagnets [0.0]
異なる1次元および2次元格子上でのボソニックおよびフェルミオンの$t-J$モデルを表現する神経量子状態の能力について検討する。
本稿では,ニューラルネットワークの状態表現から分散関係を計算する手法を提案する。
論文 参考訳(メタデータ) (2023-10-12T17:59:33Z) - 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) - Quantum and classical spin network algorithms for $q$-deformed
Kogut-Susskind gauge theories [0.0]
定義対称性代数を量子群に変形させることにより得られる、$q$変形したKogut-Susskind格子ゲージ理論を導入する。
この提案は同時に、無限次元局所ヒルベルト空間の制御された正則化を提供すると同時に、本質的な対称性に関連した性質を保っている。
我々の研究は、テンソルネットワーク法の高エネルギー物理学への応用に新たな視点を与える。
論文 参考訳(メタデータ) (2023-04-05T15:49:20Z) - 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) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳(メタデータ) (2022-10-13T10:00:30Z) - 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) - Many-Body Quantum States with Exact Conservation of Non-Abelian and
Lattice Symmetries through Variational Monte Carlo [0.0]
我々は、大域的非アーベル対称性が本質的にその構造に埋め込まれているアンザッツを示す。
格子対称性を組み込むようにモデルを拡張します。
論文 参考訳(メタデータ) (2021-04-30T09:52:15Z) - 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$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
論文 参考訳(メタデータ) (2020-07-28T14:52:28Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳(メタデータ) (2020-02-25T19:18:36Z) - Incorporating Symmetry into Deep Dynamics Models for Improved
Generalization [24.363954435050264]
本稿では,畳み込みニューラルネットワークに対称性を組み込むことにより,精度の向上と一般化を提案する。
我々のモデルは、対称性群変換による分布シフトに対して理論的かつ実験的に堅牢である。
画像やテキストアプリケーションと比較して、我々の研究は、高次元システムに同変ニューラルネットワークを適用するための重要なステップである。
論文 参考訳(メタデータ) (2020-02-08T01:28:17Z)
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。