論文の概要: Can neural quantum states learn volume-law ground states?

• arxiv url: http://arxiv.org/abs/2212.02204v2
• Date: Thu, 15 Dec 2022 14:24:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-09 22:58:09.584447
• Title: Can neural quantum states learn volume-law ground states?
• Title（参考訳）: 量子状態は体積法基底状態を学ぶことができるか?
• Authors: Giacomo Passetti, Damian Hofmann, Pit Neitemeier, Lukas Grunwald, Michael A. Sentef, Dante M. Kennes
• Abstract要約: 本研究では,多層フィードフォワードネットワークに基づくニューラルネットワークの量子状態が,ボリューム-ローエンタングルメントエントロピーを示す基底状態を見つけることができるかを検討した。 このモデルの基礎状態を表すために、浅層および深層フィードフォワードのネットワークは指数関数的な数のパラメータを必要とすることがわかった。
• 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: We study whether neural quantum states based on multi-layer feed-forward networks can find ground states which exhibit volume-law entanglement entropy. As a testbed, we employ the paradigmatic Sachdev-Ye-Kitaev model. We find that both shallow and deep feed-forward networks require an exponential number of parameters in order to represent the ground state of this model. This demonstrates that sufficiently complicated quantum states, although being physical solutions to relevant models and not pathological cases, can still be difficult to learn to the point of intractability at larger system sizes. This highlights the importance of further investigations into the physical properties of quantum states amenable to an efficient neural representation.
• Abstract（参考訳）: 本研究では,多層フィードフォワードネットワークに基づくニューラル量子状態がボリュームローエンタングルメントエントロピーを示す基底状態を見つけることができるか検討する。 テストベッドとしては,Sachdev-Ye-Kitaevモデルを用いる。 このモデルの基礎状態を表すために、浅層および深層フィードフォワードのネットワークは指数関数的な数のパラメータを必要とすることがわかった。 このことは、十分に複雑な量子状態が、関連するモデルに対する物理的解決であり、病理的なケースではないにもかかわらず、より大きなシステムサイズで難易度を学ぶことは依然として困難であることを示している。 これは、効率的な神経表現に適応可能な量子状態の物理的性質に関するさらなる研究の重要性を強調している。

関連論文リスト

• Entanglement transition in deep neural quantum states [0.0]
  深部ニューラルネットワークにおける情報伝達が深部神経量子状態の物理的絡み合い特性にどのように影響するかを示す。 このブリッジにより、領域と体積法が絡み合った状態を表すために最適な神経量子状態ハイパーパラメーターレギュレーションを特定できる。 正確な量子状態表現のためのネットワーク構成の理解の進歩は、容積法則量子状態を扱う効果的な表現を開発するのに役立ちます。
  論文  参考訳（メタデータ） (2023-12-19T08:40:23Z)
• Simplicity of mean-field theories in neural quantum states [0.0]
  置換対称性を持つ平均場理論の基底状態は、独立したニューラルネットワークパラメータの限られた数しか必要としない。 完全連結横フィールドイジングモデル(TFIM)の基底状態への収束は1つのパラメータだけで実現できることを示す。
  論文  参考訳（メタデータ） (2023-08-21T18:00:01Z)
• 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)
• Generating Approximate Ground States of Molecules Using Quantum Machine Learning [2.1286051580524523]
  本稿では、生成量子機械学習モデルを用いて、ポテンシャルエネルギー表面上の任意の点における量子状態を作成することを提案する。 我々のアプローチでは、古典的なニューラルネットワークを用いて分子の核座標を変動量子回路の量子パラメータに変換する。 勾配評価は効率的であり,水素鎖,水および水酸化ベリリウムのPES上での波動関数の調製能力を示す。
  論文  参考訳（メタデータ） (2022-10-11T14:45:07Z)
• 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)
• An Empirical Study of Quantum Dynamics as a Ground State Problem with Neural Quantum States [0.0]
  ニューラルネットワークは、ニューラルネットワークによってパラメータ化される変動波動関数である。 多体物理学の文脈では、変分モンテカルロや変分波動関数としてのニューラル量子状態のような手法が近似に成功している。 しかしながら、ニューラルネットワークアーキテクチャを提案することの難しさは、その表現性とトレーニング容易性を探究することとともに、ニューラルネットワークをニューラルネットワーク状態として利用することにまで及んでいる。
  論文  参考訳（メタデータ） (2022-06-18T16:42:39Z)
• Scalable approach to many-body localization via quantum data [69.3939291118954]
  多体局在は、量子多体物理学の非常に難しい現象である。 計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。 我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
  論文  参考訳（メタデータ） (2022-02-17T19:00:09Z)
• Scaling of neural-network quantum states for time evolution [0.0]
  非可積分量子イジングチェーンのグローバルダイナミクスをシミュレートするために、異なる浅層および深層神経自己回帰量子状態の変動パワーをベンチマークする。 与えられた精度で量子状態を表現するのに必要なパラメータの数が指数関数的に増加することがわかった。
  論文  参考訳（メタデータ） (2021-04-21T18:00:07Z)
• 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)
• 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。