論文の概要: Optimizing Design Choices for Neural Quantum States
- arxiv url: http://arxiv.org/abs/2301.06788v1
- Date: Tue, 17 Jan 2023 10:30:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 14:28:45.091901
- Title: Optimizing Design Choices for Neural Quantum States
- Title(参考訳): ニューラル量子状態の設計選択の最適化
- Authors: Moritz Reh, Markus Schmitt, Martin G\"arttner
- Abstract要約: 本稿では、スピンハミルトニアンの基底状態探索に使用される一般的なネットワークアーキテクチャと対称性スキームの比較を行う。
基底状態の非自明な符号構造が存在する場合、対称性の細部が性能に重要な影響を与えていることが分かる。
- 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: Neural quantum states are a new family of variational ans\"atze for
quantum-many body wave functions with advantageous properties in the
notoriously challenging case of two spatial dimensions. Since their
introduction a wide variety of different network architectures has been
employed to study paradigmatic models in quantum many-body physics with a
particular focus on quantum spin models. Nonetheless, many questions remain
about the effect that the choice of architecture has on the performance on a
given task. In this work, we present a unified comparison of a selection of
popular network architectures and symmetrization schemes employed for ground
state searches of prototypical spin Hamiltonians, namely the two-dimensional
transverse-field Ising model and the J1-J2 model. In the presence of a
non-trivial sign structure of the ground states, we find that the details of
symmetrization crucially influence the performance. We describe this effect in
detail and discuss its consequences, especially for autoregressive models, as
their direct sampling procedure is not compatible with the symmetrization
procedure that we found to be optimal.
- Abstract(参考訳): ニューラル量子状態 (neural quantum states) は、2つの空間次元の難解な場合において有利な性質を持つ量子体波動関数の変分 ans\"atze の新しい族である。
導入以来、量子多体物理学におけるパラダイムモデルの研究に様々なネットワークアーキテクチャが用いられ、特に量子スピンモデルに焦点を当てている。
それでも、アーキテクチャの選択が与えられたタスクのパフォーマンスに与える影響について多くの疑問が残る。
本研究では,原型スピンハミルトニアンの基底状態探索,すなわち2次元横フィールドイジングモデルとJ1-J2モデルにおいて,一般的なネットワークアーキテクチャの選択と対称性を統一的に比較する。
基底状態の非自明な符号構造の存在下では、対称性の詳細が性能に重大な影響を与えることが分かる。
我々はこの効果を詳細に記述し、特に自己回帰モデルにおいて、それらの直接サンプリング手順は最適な対称性化手順と互換性がないとして、その結果について議論する。
関連論文リスト
- Deep Neural Networks as Variational Solutions for Correlated Open
Quantum Systems [0.0]
より強力なモデルで直接密度行列をパラメータ化することで、より良い変分アンザッツ関数が得られることを示す。
本稿では, 散逸的一次元逆場イジングモデルと2次元散逸的ハイゼンベルクモデルについて述べる。
論文 参考訳(メタデータ) (2024-01-25T13:41:34Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳(メタデータ) (2023-03-27T22:48:28Z) - Highly resolved spectral functions of two-dimensional systems with
neural quantum states [0.0]
我々は,まず,実空間や運動量空間に局在した励起のシミュレーションに基づいてスペクトル特性を得るために,ニューラル量子状態を用いた多用途アプローチを開発した。
我々のアプローチは2次元の相互作用量子格子モデルに適用可能であり、相関量子物質のスペクトル特性を計算するための経路を開く。
論文 参考訳(メタデータ) (2023-03-14T19:00:27Z) - A performance characterization of quantum generative models [47.187609203210705]
量子生成モデリングに使用される量子回路を比較する。
2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。
確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
論文 参考訳(メタデータ) (2023-01-23T11:00:29Z) - Transformer variational wave functions for frustrated quantum spin
systems [0.0]
本稿では,ニューラルネットワーク状態の新たなクラスを定義するために,複雑なパラメータを持つViTアーキテクチャの適応を提案する。
ViT波動関数の成功は、局所演算と大域演算の混合に依存する。
論文 参考訳(メタデータ) (2022-11-10T11:56:44Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳(メタデータ) (2022-10-13T10:00:30Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳(メタデータ) (2022-07-21T12:11:18Z) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳(メタデータ) (2022-04-13T08:53:41Z) - 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) - Variational classical networks for dynamics in interacting quantum
matter [0.0]
本稿では,古典的スピンの複雑なネットワークに基づく,ニューラルネットワークに似た波動関数の変分クラスを導入する。
本手法は, 古典的極限が明確に定義された任意の量子多体系に適用可能であることを示す。
論文 参考訳(メタデータ) (2020-07-31T14:03:37Z)
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。