論文の概要: Deep-neural-network approach to solving the ab initio nuclear structure
problem
- arxiv url: http://arxiv.org/abs/2211.13998v2
- Date: Tue, 4 Apr 2023 07:19:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 18:26:32.471747
- Title: Deep-neural-network approach to solving the ab initio nuclear structure
problem
- Title（参考訳）: ab initio核構造問題を解決するディープニューラルネットワークアプローチ
- Authors: Yilong Yang and Pengwei Zhao
- Abstract要約: 深層学習型変分量子モンテカルロアプローチであるFeynmanNetを開発した。
FeynmanNetは4$He,6$Li,そして最大16$Oで、地上のエネルギーと波動関数の非常に正確な解を提供できることを示す。
- 参考スコア（独自算出の注目度）: 0.799536002595393
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the structure of quantum many-body systems from the first
principles of quantum mechanics is a common challenge in physics, chemistry,
and material science. Deep machine learning has proven to be a powerful tool
for solving condensed matter and chemistry problems, while for atomic nuclei it
is still quite challenging because of the complicated nucleon-nucleon
interactions, which strongly couple the spatial, spin, and isospin degrees of
freedom. By combining essential physics of the nuclear wave functions and the
strong expressive power of artificial neural networks, we develop FeynmanNet, a
deep-learning variational quantum Monte Carlo approach for \emph{ab initio}
nuclear structure. We show that FeynmanNet can provide very accurate solutions
of ground-state energies and wave functions for $^4$He, $^6$Li, and even up to
$^{16}$O as emerging from the leading-order and next-to-leading-order
Hamiltonians of pionless effective field theory. Compared to the conventional
diffusion Monte Carlo approaches, which suffer from the severe inherent
fermion-sign problem, FeynmanNet reaches such a high accuracy in a variational
way and scales polynomially with the number of nucleons. Therefore, it paves
the way to a highly accurate and efficient \emph{ab initio} method for
predicting nuclear properties based on the realistic interactions between
nucleons.
- Abstract（参考訳）: 量子力学の最初の原理から量子多体系の構造を予測することは、物理学、化学、物質科学において共通の課題である。
深層機械学習は、凝縮物質や化学問題を解くための強力なツールであることが証明されているが、原子核では、空間、スピン、アイソスピンの自由度を強く結合する複雑な核子-核子相互作用のため、依然としてかなり難しい。
核波関数の基本物理と人工ニューラルネットワークの強い表現力を組み合わせることで、深層学習型変分量子モンテカルロ法による核構造解析を行うFeynmanNetを開発した。
フェインマンネットは、ピオンレス実効場理論の上位および次階のハミルトニアンから出現するものとして、$^4$He,$^6$Li,さらには$^{16}$Oに対して、基底状態エネルギーと波動関数の非常に正確な解を提供できることを示す。
強固有のフェルミオン符号問題に苦しむ従来の拡散モンテカルロ法と比較して、ファインマンネットは変動的な方法でそのような高い精度に達し、核子数と多項式的にスケールする。
したがって、核子間の現実的な相互作用に基づいて核特性を予測する、高度に正確で効率的な 'emph{ab initio} 法への道を開く。
関連論文リスト
- 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) - Solving the nuclear pairing model with neural network quantum states [58.720142291102135]
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。
論文 参考訳（メタデータ） (2022-11-09T00:18:01Z) - Wavefunction matching for solving quantum many-body problems [0.851455750673879]
Ab initio計算は、量子多体系の基本的な理解において重要な役割を果たす。
主な課題の1つは、選択された計算方法が扱うのに、相互作用が複雑で難しいシステムに対して正確な計算を行うことである。
ここでは波動関数マッチングと呼ばれる新しい手法を導入することでこの問題に対処する。
波動関数マッチングは粒子間の相互作用を変換し、波動関数がある程度の有限範囲までの範囲で容易に計算可能な相互作用と一致するようにする。
論文 参考訳（メタデータ） (2022-10-31T17:12:43Z) - Nuclear two point correlation functions on a quantum-computer [105.89228861548395]
我々は、現在の量子ハードウェアとエラー軽減プロトコルを使用して、高度に単純化された核モデルに対する応答関数を計算する。
この研究では、現在の量子ハードウェアとエラー軽減プロトコルを用いて、4つの格子上に3つの区別可能な核子を持つ2次元のフェルミ・ハバードモデルに対する応答関数を計算する。
論文 参考訳（メタデータ） (2021-11-04T16:25:33Z) - 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) - Nuclei with up to $\boldsymbol{A=6}$ nucleons with artificial neural
network wave functions [52.77024349608834]
人工ニューラルネットワークを用いて、核の波動関数をコンパクトに表現する。
高精度な超球面調和法を用いて, それらの結合エネルギー, 点核子密度, ラジイをベンチマークした。
論文 参考訳（メタデータ） (2021-08-15T23:02:39Z) - Mapping quantum chemical dynamics problems onto spin-lattice simulators [0.5249805590164901]
我々はこれらを量子スピン格子シミュレータにマッピングすることで量子化学核力学の解法を可能にするフレームワークを提供する。
我々のアプローチは、量子核力学の研究に使用される方法のパラダイムシフトを表している。
論文 参考訳（メタデータ） (2021-03-12T17:32:52Z) - 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$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
論文 参考訳（メタデータ） (2020-07-28T14:52:28Z) - Quantum coherence and speed limit in the mean-field Dicke model of
superradiance [0.0]
平均場近似におけるDickeモデルに対する量子コヒーレンスの定量化について論じる。
単一原子$l_1$-normのコヒーレンスは、超放射能系によって放出される放射の正規化平均強度の平方根によって与えられる。
論文 参考訳（メタデータ） (2020-07-06T16:35:53Z)
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。