論文の概要: Purifying Deep Boltzmann Machines for Thermal Quantum States

• arxiv url: http://arxiv.org/abs/2103.04791v3
• Date: Wed, 9 Jun 2021 06:07:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-08 18:23:16.269557
• Title: Purifying Deep Boltzmann Machines for Thermal Quantum States
• Title（参考訳）: 熱量子状態のためのディープボルツマンマシンの精製
• Authors: Yusuke Nomura and Nobuyuki Yoshioka and Franco Nori
• Abstract要約: 量子多体系の精製有限温度状態を表すディープニューラルネットワークを構築するための2つの手法を開発した。 最初の方法は、精製されたギブス状態を表すディープ・ボルツマンマシンを正確に生成するための完全に決定論的手法である。 第2の方法は、ニューラルネットワークの表現可能性において、想像時間進化のようなネットワークパラメータを最適化するためにサンプリングを用いる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop two cutting-edge approaches to construct deep neural networks representing the purified finite-temperature states of quantum many-body systems. Both methods commonly aim to represent the Gibbs state by a highly expressive neural-network wave function, exemplifying the idea of purification. The first method is an entirely deterministic approach to generate deep Boltzmann machines representing the purified Gibbs state exactly. This strongly assures the remarkable flexibility of the ansatz which can fully exploit the quantum-to-classical mapping. The second method employs stochastic sampling to optimize the network parameters such that the imaginary time evolution is well approximated within the expressibility of neural networks. Numerical demonstrations for transverse-field Ising models and Heisenberg models show that our methods are powerful enough to investigate the finite-temperature properties of strongly correlated quantum many-body systems, even when the problematic effect of frustration is present.
• Abstract（参考訳）: 量子多体系の精製有限温度状態を表すディープニューラルネットワークを構築するための2つの最先端手法を開発した。 どちらの手法も一般的には、高い表現力を持つニューラルネットワークの波動関数によってギブス状態を表現することを目的としており、浄化のアイデアを例示している。 第一の方法は、完全決定論的アプローチで、精製されたギブス状態を正確に表現した深いボルツマンマシンを生成する。 これは量子-古典写像を十分に活用できるアンサッツの顕著な柔軟性を強く保証する。 第2の方法は、確率的サンプリングを用いてネットワークパラメータを最適化し、想像上の時間発展をニューラルネットワークの表現可能性内でよく近似する。 横場イジングモデルとハイゼンベルクモデルに対する数値実験により, フラストレーションの問題点が存在する場合でも, 強い相関性を持つ量子多体系の有限温度特性を調べるのに十分強力であることが示された。

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$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Thermalization and Criticality on an Analog-Digital Quantum Simulator [133.58336306417294]
  本稿では,69個の超伝導量子ビットからなる量子シミュレータについて述べる。 古典的Kosterlitz-Thouless相転移のシグネチャと,Kibble-Zurekスケール予測からの強い偏差を観測する。 本システムは, 対角二量体状態でディジタル的に調製し, 熱化時のエネルギーと渦の輸送を画像化する。
  論文  参考訳（メタデータ） (2024-05-27T17:40:39Z)
• Deep Neural Networks as Variational Solutions for Correlated Open Quantum Systems [0.0]
  より強力なモデルで直接密度行列をパラメータ化することで、より良い変分アンザッツ関数が得られることを示す。 本稿では, 散逸的一次元逆場イジングモデルと2次元散逸的ハイゼンベルクモデルについて述べる。
  論文  参考訳（メタデータ） (2024-01-25T13:41:34Z)
• Neural network approach to quasiparticle dispersions in doped antiferromagnets [0.0]
  異なる1次元および2次元格子上でのボソニックおよびフェルミオンの$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)
• 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)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Learning the ground state of a non-stoquastic quantum Hamiltonian in a rugged neural network landscape [0.0]
  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。
  論文  参考訳（メタデータ） (2020-11-23T05:25:47Z)
• Helping restricted Boltzmann machines with quantum-state representation by restoring symmetry [0.0]
  ニューラルネットワークに基づく変動波関数は、量子多体状態を正確に表現するための強力なアンサッツとして認識されている。 最も単純なニューラルネットワークである制限ボルツマンマシン(RBM)を用いて変動波関数を構築し、基本量子スピンハミルトニアンに適用する。 その結果, RBM波動関数は, 基底状態と励起状態の計算の両方において, 最先端の精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-09-30T16:25:28Z)
• Solving Quantum Master Equations with Deep Quantum Neural Networks [0.0]
  我々は、オープンな量子多体系の混合状態を表現するために、普遍的な量子計算が可能なディープ量子フィードフォワードニューラルネットワークを使用する。 量子ネットワークの特別な構造を所有するこのアプローチは、バレン高原の欠如など、多くの注目すべき特徴を享受している。
  論文  参考訳（メタデータ） (2020-08-12T18:00:08Z)
• 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)

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。