論文の概要: Learning a compass spin model with neural network quantum states

• arxiv url: http://arxiv.org/abs/2111.04243v2
• Date: Tue, 18 Jan 2022 15:01:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-08 20:40:30.841748
• Title: Learning a compass spin model with neural network quantum states
• Title（参考訳）: ニューラルネットワーク量子状態を用いたコンパススピンモデル学習
• Authors: Eric Zou, Erik Long, and Erhai Zhao
• Abstract要約: フラストレーション量子スピンハミルトニアンの基底状態を学ぶための制限ボルツマンマシンの能力を示す。 機械学習のフラストレーション量子マグネットの課題に対処するために、いくつかの戦略が概説されている。
• 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: Neural network quantum states provide a novel representation of the many-body states of interacting quantum systems and open up a promising route to solve frustrated quantum spin models that evade other numerical approaches. Yet its capacity to describe complex magnetic orders with large unit cells has not been demonstrated, and its performance in a rugged energy landscape has been questioned. Here we apply restricted Boltzmann machines and stochastic gradient descent to seek the ground states of a compass spin model on the honeycomb lattice, which unifies the Kitaev model, Ising model and the quantum 120$^\circ$ model with a single tuning parameter. We report calculation results on the variational energy, order parameters and correlation functions. The phase diagram obtained is in good agreement with the predictions of tensor network ansatz, demonstrating the capacity of restricted Boltzmann machines in learning the ground states of frustrated quantum spin Hamiltonians. The limitations of the calculation are discussed. A few strategies are outlined to address some of the challenges in machine learning frustrated quantum magnets.
• Abstract（参考訳）: ニューラルネットワーク量子状態は、相互作用する量子システムの多体状態の新しい表現を提供し、他の数値的アプローチを避けたフラストレーション量子スピンモデルを解く有望な経路を開く。 しかし、大きな単位セルで複雑な磁気秩序を記述する能力は実証されておらず、頑丈なエネルギー環境における性能は疑問視されている。 ここでは、ハニカム格子上のコンパススピンモデルの基底状態を求めるために、制限ボルツマン機械と確率勾配降下を適用し、単一のチューニングパラメータを持つキタエフモデル、イジングモデル、量子120$^\circ$モデルを統合する。 変動エネルギー,順序パラメータ,相関関数の計算結果について報告する。 得られた位相図はテンソルネットワーク ansatz の予測とよく一致しており、フラストレーションした量子スピンハミルトンの基底状態を学ぶ際の制限ボルツマン機械の能力を示している。 計算の限界について論じる。 機械学習のフラストレーション量子マグネットの課題に対処するために、いくつかの戦略が概説されている。

関連論文リスト

• ShadowGPT: Learning to Solve Quantum Many-Body Problems from Randomized Measurements [2.1946359779523332]
  本稿では,量子実験から収集したランダム化測定データから学習することで,量子多体問題を解く新しい手法であるShadowGPTを提案する。 このモデルは量子ハミルトニアンの基底状態のシミュレーションされた古典的影データに基づいて訓練された生成前訓練変圧器(GPT)である。
  論文  参考訳（メタデータ） (2024-11-05T17:34:03Z)
• Entanglement with neutral atoms in the simulation of nonequilibrium dynamics of one-dimensional spin models [0.0]
  スピン-1/2モデルの力学における絡み合いの生成と役割について検討する。 我々は,スピン-エチョ配列でインターリーブされた急激な断熱的Rydbergドレッシングを含む中性原子モルマー-ソレンセンゲートを導入する。 量子シミュレーションでは、逆場イジングモデルのクエンチ力学における臨界挙動を考察する。
  論文  参考訳（メタデータ） (2024-06-07T23:29:16Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• 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)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Quantum phase detection generalisation from marginal quantum neural network models [0.0]
  我々は量子畳み込みニューラルネットワークを用いて解析解が欠如しているモデルの位相図を決定する。 より具体的には、強磁性、常磁性、反相を持つ軸方向の次アレスト近傍イジング(ANNNI)ハミルトニアンを考える。
  論文  参考訳（メタデータ） (2022-08-18T10:06:43Z)
• Fermionic approach to variational quantum simulation of Kitaev spin models [50.92854230325576]
  キタエフスピンモデルは、自由フェルミオンへの写像を通じて、あるパラメータ状態において正確に解けることで知られている。 古典的なシミュレーションを用いて、このフェルミオン表現を利用する新しい変分アンザッツを探索する。 また、量子コンピュータ上での非アベリアオンをシミュレートするための結果の意味についてもコメントする。
  論文  参考訳（メタデータ） (2022-04-11T18:00:01Z)
• 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)
• Deep neural network predicts parameters of quantum many-body Hamiltonians by learning visualized wave-functions [0.0]
  畳み込みニューラルネットワーク(CNN)は相互作用するハミルトンの物理的パラメータを予測することができることを示す。 地上状態を画像として視覚化するQubism Mapと、対象の物理パラメータに画像をマッピングするCNNの2つの主要部分からなるQubismNetを提案する。
  論文  参考訳（メタデータ） (2020-12-05T12:22:12Z)
• 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)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。