論文の概要: Supplementing Recurrent Neural Network Wave Functions with Symmetry and
Annealing to Improve Accuracy
- arxiv url: http://arxiv.org/abs/2207.14314v1
- Date: Thu, 28 Jul 2022 18:00:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-01 13:32:01.360808
- Title: Supplementing Recurrent Neural Network Wave Functions with Symmetry and
Annealing to Improve Accuracy
- Title（参考訳）: シンメトリーとアニーリングを併用した繰り返しニューラルネットワーク波動関数の精度向上
- Authors: Mohamed Hibat-Allah, Roger G. Melko, Juan Carrasquilla
- Abstract要約: リカレントニューラルネットワーク(Recurrent Neural Network, RNN)は、人工知能のパラダイムから生まれたニューラルネットワークのクラスである。
本手法は, 三角格子上でのシステムサイズが14×14ドル以上の場合, 密度行列再正規化群(DMRG)よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 0.45119235878273
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recurrent neural networks (RNNs) are a class of neural networks that have
emerged from the paradigm of artificial intelligence and has enabled lots of
interesting advances in the field of natural language processing.
Interestingly, these architectures were shown to be powerful ansatze to
approximate the ground state of quantum systems. Here, we build over the
results of [Phys. Rev. Research 2, 023358 (2020)] and construct a more powerful
RNN wave function ansatz in two dimensions. We use symmetry and annealing to
obtain accurate estimates of ground state energies of the two-dimensional (2D)
Heisenberg model, on the square lattice and on the triangular lattice. We show
that our method is superior to Density Matrix Renormalisation Group (DMRG) for
system sizes larger than or equal to $14 \times 14$ on the triangular lattice.
- Abstract（参考訳）: リカレントニューラルネットワーク(Recurrent Neural Network, RNN)は、人工知能のパラダイムから生まれたニューラルネットワークの一種で、自然言語処理の分野で多くの興味深い進歩を実現している。
興味深いことに、これらのアーキテクチャは量子システムの基底状態の近似に強力なアンサツであることが示されている。
本稿では,[Phys. Rev. Research 2, 023358 (2020)]の結果の上に構築し, より強力なRNN波動関数アンサッツを2次元で構築する。
2次元(2次元)ハイゼンベルク模型の平方格子上および三角格子上における基底状態エネルギーの正確な推定には対称性とアニーリングを用いる。
本手法は, 三角格子上のシステムサイズが14 \times 14$よりも大きい場合, 密度行列再正規化群(DMRG)よりも優れていることを示す。
関連論文リスト
- Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric
GNNs [66.98487644676906]
我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。
幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。
また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
論文 参考訳（メタデータ） (2024-09-26T08:16:59Z) - Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳（メタデータ） (2024-05-22T17:23:15Z) - 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) - NeuRBF: A Neural Fields Representation with Adaptive Radial Basis
Functions [93.02515761070201]
本稿では,信号表現に一般放射状基底を用いる新しいタイプのニューラルネットワークを提案する。
提案手法は, 空間適応性が高く, ターゲット信号により密着可能な, フレキシブルなカーネル位置と形状を持つ一般ラジアルベース上に構築する。
ニューラルラジアンス場再構成に適用した場合,本手法はモデルサイズが小さく,訓練速度が同等である最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2023-09-27T06:32:05Z) - 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) - Efficient Simulation of Dynamics in Two-Dimensional Quantum Spin Systems
with Isometric Tensor Networks [0.0]
最近導入された等尺テンソルネットワーク状態(isoTNS)の計算能力について検討する。
アイソTNSに基づくアルゴリズムの実装に関する技術的詳細を議論し、異なるアンタングルの比較を行う。
2次元量子スピン系の動的スピン構造係数を2つのパラダイムモデルに対して計算する。
論文 参考訳（メタデータ） (2021-12-15T19:00:05Z) - Physics Validation of Novel Convolutional 2D Architectures for Speeding
Up High Energy Physics Simulations [0.0]
本稿では,GAN(Geneversarative Adrial Networks)をディープラーニング技術として応用し,温度計検出器シミュレーションを代替する。
我々は,同じ3次元画像生成問題を高速に解くために,新しい2次元畳み込みネットワークを開発した。
その結果,物理精度が向上し,高速検出器シミュレーションにおけるGANの利用がさらに強化された。
論文 参考訳（メタデータ） (2021-05-19T07:24:23Z) - Group Convolutional Neural Networks Improve Quantum State Accuracy [1.52292571922932]
特定の対称性を持つ量子状態に対して、最大表現モデルを作成する方法を示す。
我々は,グループ同変畳み込みネットワーク(G-CNN) citecohen2016groupを実装し,メモリ使用量を増やすことなく,性能改善を実現することを実証した。
論文 参考訳（メタデータ） (2021-04-11T19:45:10Z) - Efficient Tensor Network ansatz for high-dimensional quantum many-body
problems [0.0]
本稿では,量子多体波動関数のツリーネットワーク表現をよく確立したテンソルネットワーク構造を導入する。
我々は、前例のない精度とシステムサイズを示すパラダイム的2次元スピンモデルに対して、この新しいアプローチをベンチマークする。
論文 参考訳（メタデータ） (2020-11-16T19:00:04Z) - 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) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z)
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。