論文の概要: Accurate Computation of Quantum Excited States with Neural Networks
- arxiv url: http://arxiv.org/abs/2308.16848v3
- Date: Tue, 3 Sep 2024 11:53:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-04 22:35:08.326456
- Title: Accurate Computation of Quantum Excited States with Neural Networks
- Title（参考訳）: ニューラルネットワークによる量子励起状態の高精度計算
- Authors: David Pfau, Simon Axelrod, Halvard Sutterud, Ingrid von Glehn, James S. Spencer,
- Abstract要約: 量子系の最低励起状態を推定するための変分モンテカルロアルゴリズムを提案する。
本手法はベンゼンスケール分子の正確な垂直励起エネルギーを得るための最初の深層学習手法である。
我々はこの技術が原子、核、凝縮物質物理学への応用に大きな関心を寄せることを期待している。
- 参考スコア（独自算出の注目度）: 4.99320937849508
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a variational Monte Carlo algorithm for estimating the lowest excited states of a quantum system which is a natural generalization of the estimation of ground states. The method has no free parameters and requires no explicit orthogonalization of the different states, instead transforming the problem of finding excited states of a given system into that of finding the ground state of an expanded system. Expected values of arbitrary observables can be calculated, including off-diagonal expectations between different states such as the transition dipole moment. Although the method is entirely general, it works particularly well in conjunction with recent work on using neural networks as variational Ans\"atze for many-electron systems, and we show that by combining this method with the FermiNet and Psiformer Ans\"atze we can accurately recover vertical excitation energies and oscillator strengths on a range of molecules. Our method is the first deep learning approach to achieve accurate vertical excitation energies, including challenging double excitations, on benzene-scale molecules. Beyond the chemistry examples here, we expect this technique will be of great interest for applications to atomic, nuclear and condensed matter physics.
- Abstract（参考訳）: 基底状態の推定の自然な一般化である量子系の最低励起状態を推定するための変分モンテカルロアルゴリズムを提案する。
この方法は自由パラメータを持たず、異なる状態の明示的な直交化を必要としない。代わりに、与えられたシステムの励起状態を見つけるという問題を拡張されたシステムの基底状態を見つける問題に変換する。
任意の観測可能量の期待値は、遷移双極子モーメントのような異なる状態間の非対角予測を含む計算可能である。
本手法は完全に汎用的ではあるが, ニューラルネットワークを多電子系における変分Ans\atzeとして利用する最近の研究と組み合わせて, この手法をFermiNetとPsiformer Ans\atzeと組み合わせることで, 様々な分子の垂直励起エネルギーと振動子強度を正確に回復できることが示されている。
本手法は, ベンゼンスケール分子上での2重励起を含む, 正確な垂直励起エネルギーを達成するための, 初めての深層学習手法である。
ここでの化学の例の他に、原子、核、凝縮物質物理学への応用には、この技術が大きな関心を持つだろう。
関連論文リスト
- Challenging Excited States from Adaptive Quantum Eigensolvers: Subspace Expansions vs. State-Averaged Strategies [0.0]
ADAPT-VQEは分子の基底状態を得るための単一の参照手法である。
MORE-ADAPT-VQEは、避けられた交差と異なる対称性の状態間の交差の両方を正確に記述することができる。
これらの改善は、難しい励起状態問題に対する量子コンピュータの使用に向けた有望な方向を示唆している。
論文 参考訳（メタデータ） (2024-09-17T14:03:27Z) - Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。
近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。
この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
論文 参考訳（メタデータ） (2024-05-23T16:30:51Z) - Certifying ground-state properties of quantum many-body systems [4.377012041420585]
我々は、基底状態にある観測可能な値の証明可能な境界を導出する方法を示す。
我々は、考慮されたシステムの対称性と疎性を利用して、数百の粒子の大きさに達する。
論文 参考訳（メタデータ） (2023-10-09T16:40:19Z) - Machine learning one-dimensional spinless trapped fermionic systems with
neural-network quantum states [1.6606527887256322]
ガウスポテンシャルを介して相互作用する完全に偏極された1次元フェルミオン系の基底状態特性を計算する。
我々は、波動関数のアンサッツとして、反対称人工ニューラルネットワーク(英語版)またはニューラル量子状態を用いる。
相互作用の兆候によって、非常に異なる基底状態が見つかる。
論文 参考訳（メタデータ） (2023-04-10T17:36:52Z) - Computational analysis of chemical reactions using a variational quantum
eigensolver algorithm without specifying spin multiplicity [0.0]
PtCOの基底状態ポテンシャルエネルギー曲線は、変分量子固有解法アルゴリズムを用いて概念実証として計算された。
量子コンピューティングは、基底状態のスピン乗数とこのパラメータの変動が事前に分かっていない系の化学反応を分析するための強力なツールである。
論文 参考訳（メタデータ） (2023-03-09T06:32:00Z) - 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) - 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) - Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。
これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
論文 参考訳（メタデータ） (2021-07-01T01:02:17Z) - Visualizing spinon Fermi surfaces with time-dependent spectroscopy [62.997667081978825]
固体系において確立されたツールである時間依存性光電子分光法を低温原子量子シミュレーターに応用することを提案する。
1次元の$t-J$モデルの正確な対角化シミュレーションで、スピノンが非占有状態の効率的なバンド構造に出現し始めることを示す。
ポンプパルス後のスペクトル関数の依存性はスピノン間の集団的相互作用を明らかにする。
論文 参考訳（メタデータ） (2021-05-27T18:00:02Z) - 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 Zeno effect appears in stages [64.41511459132334]
量子ゼノ効果において、量子測定は、2レベル系のコヒーレント振動を、その状態が測定固有状態の1つに凍結することによってブロックすることができる。
我々は,Zeno体制の開始には,測定強度が増大するにつれて,システム力学において$$$の遷移のtextitcascadeが特徴的であることを示す。
論文 参考訳（メタデータ） (2020-03-23T18:17:36Z)
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。