論文の概要: Neural Wave Functions for Superfluids
- arxiv url: http://arxiv.org/abs/2305.06989v1
- Date: Thu, 11 May 2023 17:23:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-12 13:44:25.471871
- Title: Neural Wave Functions for Superfluids
- Title（参考訳）: 超流体のニューラルウェーブ関数
- Authors: Wan Tong Lou, Halvard Sutterud, Gino Cassella, W.M.C. Foulkes,
Johannes Knolle, David Pfau, James S. Spencer
- Abstract要約: 超流動基底状態を持つことが知られている強い短距離二体相互作用を持つ系である一元性フェルミガスについて検討する。
我々は、一元性フェルミガスの研究におけるフェルミネット・アンザッツの重要な限界を示す。
本稿では,従来のFermiNetよりも大幅に性能が向上し,高精度な結果が得られる簡単な修正を提案する。
- 参考スコア（独自算出の注目度）: 2.4475596711637433
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding superfluidity remains a major goal of condensed matter physics.
Here we tackle this challenge utilizing the recently developed Fermionic neural
network (FermiNet) wave function Ansatz for variational Monte Carlo
calculations. We study the unitary Fermi gas, a system with strong,
short-range, two-body interactions known to possess a superfluid ground state
but difficult to describe quantitively. We demonstrate key limitations of the
FermiNet Ansatz in studying the unitary Fermi gas and propose a simple
modification that outperforms the original FermiNet significantly, giving
highly accurate results. We prove mathematically that the new Ansatz is a
strict generalization of the original FermiNet architecture, despite the use of
fewer parameters. Our approach shares several advantanges with the FermiNet:
the use of a neural network removes the need for an underlying basis set; and
the flexiblity of the network yields extremely accurate results within a
variational quantum Monte Carlo framework that provides access to unbiased
estimates of arbitrary ground-state expectation values. We discuss how the
method can be extended to study other superfluids.
- Abstract（参考訳）: 超流動性を理解することは、凝縮物質物理学の主要な目標である。
本稿では,最近開発されたFermionic Neural Network (FermiNet) 波動関数 Ansatz を用いてモンテカルロの変分計算を行う。
超流動基底状態を持つことが知られている強い短距離二体相互作用を持つ系である一元性フェルミガスについて検討する。
我々は、一元性フェルミガスの研究におけるフェルミネット・アンサッツの重要な限界を示し、元のフェルミネットを著しく上回る簡単な修正を提案し、高精度な結果を与える。
我々は、新しいAnsatzがパラメータが少ないにもかかわらず、元のFermiNetアーキテクチャの厳密な一般化であることを数学的に証明する。
ニューラルネットワークの使用は基礎となる基底セットの必要性を排除し、ネットワークの柔軟性は、任意の基底状態予測値の偏りのない推定値へのアクセスを提供する変分量子モンテカルロフレームワーク内で極めて正確な結果をもたらす。
本手法を他の超流動体に拡張する方法について論じる。
関連論文リスト
- Wasserstein Quantum Monte Carlo: A Novel Approach for Solving the
Quantum Many-Body Schr\"odinger Equation [56.9919517199927]
ワーッセルシュタイン量子モンテカルロ (WQMC) はフィッシャー・ラオ計量ではなくワーッセルシュタイン計量によって誘導される勾配流を用いており、テレポートではなく確率質量の輸送に対応する。
我々は、WQMCの力学が分子系の基底状態へのより高速な収束をもたらすことを実証的に実証した。
論文 参考訳（メタデータ） (2023-07-06T17:54:08Z) - Neural-network quantum states for ultra-cold Fermi gases [49.725105678823915]
この研究は、メッセージパッシングアーキテクチャに基づいたバックフロー変換を含む、新しいPfaffian-Jastrowニューラルネットワーク量子状態を導入する。
逆スピン対分布関数による強いペアリング相関の出現を観察する。
この結果から, ニューラルネットワーク量子状態は, 超低温フェルミガスの研究に有望な戦略をもたらすことが示唆された。
論文 参考訳（メタデータ） (2023-05-15T17:46:09Z) - Fixed-kinetic Neural Hamiltonian Flows for enhanced interpretability and
reduced complexity [0.0]
ニューラルハミルトニアンフロー(NHF)モデルの固定運動エネルギー版を導入する。
物理にインスパイアされた我々の手法は、解釈可能性を改善し、以前提案されたアーキテクチャよりも少ないパラメータを必要とする。
また, NHFをベイズ推定の文脈に適応させ, 2つの宇宙パラメータの後方分布をサンプリングする方法を解説した。
論文 参考訳（メタデータ） (2023-02-03T19:05:57Z) - 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) - Improving the performance of fermionic neural networks with the Slater
exponential Ansatz [0.351124620232225]
電子-原子核・電子-電子間距離にスレーター指数アンザッツを用いたフェルミオン型ニューラルネットワーク(FermiNets)を用いる手法を提案する。
論文 参考訳（メタデータ） (2022-02-21T11:15:42Z) - Discovering Quantum Phase Transitions with Fermionic Neural Networks [0.0]
ディープニューラルネットワークはモンテカルロ計算の高精度な波動関数 ans" として非常に成功している。
我々は、周期的ハミルトニアンの基底状態の計算にそのようなアンサッツであるフェルミネットの拡張を示す。
論文 参考訳（メタデータ） (2022-02-10T17:32:17Z) - Explicitly antisymmetrized neural network layers for variational Monte
Carlo simulation [1.8965732681322227]
我々は、診断ツールとして、明らかにアンチシンメトリズド・ユニバーサルニューラルネットワーク層を導入している。
得られたFermiNet-GAアーキテクチャは,小型システムの正確な基底状態エネルギーを効果的に得ることを実証する。
驚いたことに、4.0ボーアの解離結合長の窒素分子では、フル単一決定性フェルミネットは標準64決定性フェルミネットよりも著しく優れている。
論文 参考訳（メタデータ） (2021-12-07T04:44:43Z) - Determinant-free fermionic wave function using feed-forward neural
networks [0.0]
本稿では,フィードフォワードニューラルネットワークを用いて,多体フェルミオン系の基底状態を検出する枠組みを提案する。
エネルギーの「ばらつき」をエネルギーそのものと同時に最適化することにより近似の精度を向上させることができることを示す。
これらの改善は、変分モンテカルロ法に基づく他の手法にも適用できる。
論文 参考訳（メタデータ） (2021-08-19T11:51:36Z) - Better, Faster Fermionic Neural Networks [68.61120920231944]
我々はFermiNetにいくつかの改良を加えて、挑戦するシステムのスピードと精度のために新しいレコードを設定できるようにした。
ネットワークのサイズが大きくなると、アルゴンほどの大きさの原子の化学的精度に達するのに十分であることがわかった。
これにより、ビシクロブタンからブタジエンへの挑戦的な遷移においてFermiNetを実行し、シクロブタジエンの自己結合においてパウリネットと比較することができる。
論文 参考訳（メタデータ） (2020-11-13T20:55:56Z) - 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) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
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。