論文の概要: Solving the nuclear pairing model with neural network quantum states

• arxiv url: http://arxiv.org/abs/2211.04614v1
• Date: Wed, 9 Nov 2022 00:18:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-19 20:53:08.323343
• Title: Solving the nuclear pairing 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核対モデル解法
• Authors: Mauro Rigo, Benjamin Hall, Morten Hjorth-Jensen, Alessandro Lovato, Francesco Pederiva
• Abstract要約: 本稿では,職業数形式論における核多体問題の解法としてモンテカルロ法を提案する。 リコンフィグレーションアルゴリズムのメモリ効率向上版を開発し,ハミルトニアンの期待値を最小限に抑えてネットワークをトレーニングする。
• 参考スコア（独自算出の注目度）: 58.720142291102135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a variational Monte Carlo method that solves the nuclear many-body problem in the occupation number formalism exploiting an artificial neural network representation of the ground-state wave function. A memory-efficient version of the stochastic reconfiguration algorithm is developed to train the network by minimizing the expectation value of the Hamiltonian. We benchmark this approach against widely used nuclear many-body methods by solving a model used to describe pairing in nuclei for different types of interaction and different values of the interaction strength. Despite its polynomial computational cost, our method outperforms coupled-cluster and provides energies that are in excellent agreement with the numerically-exact full configuration interaction values.
• Abstract（参考訳）: 基底状態波動関数の人工ニューラルネットワーク表現を利用した職業数定式化において,核多体問題を解く変分モンテカルロ法を提案する。 確率的再構成アルゴリズムのメモリ効率の高いバージョンを開発し、ハミルトニアンの期待値を最小限に抑えることでネットワークを訓練する。 我々は、核の相互作用の異なるタイプと相互作用強度の異なる値のペアリングを記述するために用いられるモデルを用いて、広く使われている核多体法に対してこのアプローチをベンチマークする。 その多項式計算コストにもかかわらず、本手法は結合クラスタよりも優れており、数値的な完全構成相互作用値とよく一致したエネルギーを提供する。

関連論文リスト

• Predicting nuclear masses with product-unit networks [0.0]
  本稿では,通常のニューロンのような処理ユニットを複雑な値の製品ユニットに置き換える,新しいタイプのニューラルネットワークの提案と探索を行う。 その性能は、いくつかのニューラルネットワークアーキテクチャのアーキテクチャと比較され、核質量予測への適合性を実証している。
  論文  参考訳（メタデータ） (2023-05-08T12:51:16Z)
• 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)
• Dilute neutron star matter from neural-network quantum states [58.720142291102135]
  低密度中性子物質はクーパー対の形成と超流動の開始によって特徴づけられる。 我々は、モンテカルロ変分法と再構成技術を組み合わせた隠れ核量子ネットワーク量子状態の表現性に乗じて、この密度構造をモデル化する。
  論文  参考訳（メタデータ） (2022-12-08T17:55:25Z)
• Hidden-nucleons neural-network quantum states for the nuclear many-body problem [0.0]
  元の空間に隠されたヌクレオンの付加は、ニューラルネットワークアーキテクチャの表現性を増大させることを示す。 この方法は、中質量核の高精度な量子モンテカルロ研究の道を開く。
  論文  参考訳（メタデータ） (2022-06-20T22:00:53Z)
• Spectral density reconstruction with Chebyshev polynomials [77.34726150561087]
  厳密な誤差推定で有限エネルギー分解能の制御可能な再構成を行う方法を示す。 これは、核と凝縮物質物理学における将来の応用の道を開くものである。
  論文  参考訳（メタデータ） (2021-10-05T15:16:13Z)
• Solving the electronic Schr\"odinger equation for multiple nuclear geometries with weight-sharing deep neural networks [4.1201966507589995]
  本稿では,異なる分子ジオメトリに対するニューラルネットワークモデル最適化において,重み共有制約を導入する。 この手法は、同じ分子の核ジオメトリの集合を等級で考えることで最適化を加速することができる。
  論文  参考訳（メタデータ） (2021-05-18T08:23:09Z)
• 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)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)
• Efficient variational contraction of two-dimensional tensor networks with a non-trivial unit cell [0.0]
  テンソルネットワーク状態は、強い相関の量子モデルとシステムを忠実にキャプチャする効率的な状態のクラスを提供する。 我々は最近提案された一次元量子格子をキャプチャするための変分行列積状態アルゴリズムを一般化する。 このアルゴリズムの重要な性質は、単位セルのサイズを指数的にではなく線形にスケールする計算努力である。
  論文  参考訳（メタデータ） (2020-03-02T19:01:06Z)

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。