論文の概要: Wave function Ansatz (but Periodic) Networks and the Homogeneous Electron Gas

• arxiv url: http://arxiv.org/abs/2202.04622v2
• Date: Thu, 10 Feb 2022 08:22:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-27 00:56:40.849219
• Title: Wave function Ansatz (but Periodic) Networks and the Homogeneous Electron Gas
• Title（参考訳）: 波動関数 ansatz (but periodic) ネットワークと均質電子ガス
• Authors: Max Wilson, Saverio Moroni, Markus Holzmann, Nicholas Gao, Filip Wudarski, Tejs Vegge and Arghya Bhowmik
• Abstract要約: 均一電子ガスの基底状態波動関数を変動的に検出するニューラルネットワークAnsatzを設計する。 7,14,19電子のスピン偏極相と常磁性相を幅広い密度で研究した。 我々の研究は、周期的境界条件を扱う手法を用いて、分子システムへのニューラルネットワーク「アンゼ」の以前の応用を拡張した。
• 参考スコア（独自算出の注目度）: 1.7944372791281356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We design a neural network Ansatz for variationally finding the ground-state wave function of the Homogeneous Electron Gas, a fundamental model in the physics of extended systems of interacting fermions. We study the spin-polarised and paramagnetic phases with 7, 14 and 19 electrons over a broad range of densities from $r_s=1$ to $r_s=100$, obtaining similar or higher accuracy compared to a state-of-the-art iterative backflow baseline even in the challenging regime of very strong correlation. Our work extends previous applications of neural network Ans\"{a}tze to molecular systems with methods for handling periodic boundary conditions, and makes two notable changes to improve performance: splitting the pairwise streams by spin alignment and generating backflow coordinates for the orbitals from the network. This contribution establishes neural network models as flexible and high precision Ans\"{a}tze for periodic electronic systems, an important step towards applications to crystalline solids.
• Abstract（参考訳）: 我々は、相互作用するフェルミオン系の拡張系の物理モデルである均質電子ガスの基底状態波動関数を変動的に検出するニューラルネットワークAnsatzを設計する。 7,14,19のスピン偏極相と常磁性相を,r_s=1$ から $r_s=100$ までの幅広い密度で研究し,非常に強い相関の困難な状態であっても,最先端の反復バックフローベースラインと同等以上の精度を得た。 本研究は, ニューラルネットワークans\"{a}tzeの分子系への応用を, 周期境界条件の処理法で拡張し, スピンアライメントによるペアワイズストリームの分割と, ネットワークから軌道へのバックフロー座標の生成という, 性能向上のために2つの注目すべき変更を行った。 この貢献により、ニューラルネットワークモデルは周期電子系に対する柔軟で高精度なAns\"{a}tzeとして確立され、結晶性固体への応用に向けた重要なステップとなる。

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$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Spectroscopy of two-dimensional interacting lattice electrons using symmetry-aware neural backflow transformations [0.0]
  フェルミオン波動関数に格子対称性を埋め込むための枠組みを導入し、基底状態と低層励起の両方を対象とすることができることを示す。 我々の対称性を意識した逆流は、基底状態エネルギーを著しく改善し、格子に対して10×10までの正確な低エネルギー励起をもたらす。
  論文  参考訳（メタデータ） (2024-06-13T13:01:50Z)
• Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
  神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。 近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。 この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
  論文  参考訳（メタデータ） (2024-05-23T16:30:51Z)
• Towards a Foundation Model for Neural Network Wavefunctions [5.145741425164946]
  本稿では,非相関で計算コストの低いHartree-Fock軌道を相関した高精度ニューラルネットワーク軌道にマッピングするニューラルネットワークアンサッツを提案する。 このアンザッツは本質的に複数の化合物とジオメトリーにわたる単一波動関数を学習することができる。
  論文  参考訳（メタデータ） (2023-03-17T16:03:10Z)
• Simulating 2+1D Lattice Quantum Electrodynamics at Finite Density with Neural Flow Wavefunctions [5.049046327655608]
  有限密度の動的フェルミオンを持つ2+1D格子型コンパクト量子電磁力学をシミュレートするニューラルフロー波動関数Gauge-Fermion FlowNetを提案する。 異なるフェルミオン密度およびホッピング状態における閉じ込め現象と弦破断現象について検討した。
  論文  参考訳（メタデータ） (2022-12-14T18:59:07Z)
• Waveflow: boundary-conditioned normalizing flows applied to fermionic wavefunctions [3.7135179920970534]
  本稿では,境界条件付き正規化フローを用いたフェルミオン波動関数の学習フレームワークであるWaveflowを紹介する。 本研究では,ウェーブフローがトポロジ的ミスマッチを効果的に解決し,基底状態の波動関数を忠実に学習できることを示す。
  論文  参考訳（メタデータ） (2022-11-27T14:32:09Z)
• Photoinduced prethermal order parameter dynamics in the two-dimensional large-$N$ Hubbard-Heisenberg model [77.34726150561087]
  2次元相関電子モデルにおいて、競合する秩序相の微視的ダイナミクスについて検討する。 2つの競合する位相間の光誘起遷移をシミュレートする。
  論文  参考訳（メタデータ） (2022-05-13T13:13:31Z)
• Discovering Quantum Phase Transitions with Fermionic Neural Networks [0.0]
  ディープニューラルネットワークはモンテカルロ計算の高精度な波動関数 ans" として非常に成功している。 我々は、周期的ハミルトニアンの基底状態の計算にそのようなアンサッツであるフェルミネットの拡張を示す。
  論文  参考訳（メタデータ） (2022-02-10T17:32:17Z)
• Neural-Network Quantum States for Periodic Systems in Continuous Space [66.03977113919439]
  我々は、周期性の存在下での強い相互作用を持つシステムのシミュレーションのために、神経量子状態の族を紹介する。 一次元系では、基底状態エネルギーと粒子の放射分布関数を非常に正確に推定する。 二つの次元において基底状態エネルギーの優れた推定値を得るが、これはより伝統的な手法から得られる結果に匹敵する。
  論文  参考訳（メタデータ） (2021-12-22T15:27:30Z)
• Superradiant phase transition in complex networks [62.997667081978825]
  我々はDicke-Isingモデルに対する超ラジアント位相遷移問題を考える。 正規,ランダム,スケールフリーなネットワーク構造について検討する。
  論文  参考訳（メタデータ） (2020-12-05T17:40:53Z)
• 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。