論文の概要: Comment on "Can Neural Quantum States Learn Volume-Law Ground States?"

• arxiv url: http://arxiv.org/abs/2309.11534v2
• Date: Tue, 14 May 2024 12:28:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-15 19:50:31.139522
• Title: Comment on "Can Neural Quantum States Learn Volume-Law Ground States?"
• Title（参考訳）: Can Neural Quantum States Learn Volume-Law Ground States?
• Authors: Zakari Denis, Alessandro Sinibaldi, Giuseppe Carleo,
• Abstract要約: 選択したNQSはスピン問題とフェルミオン問題の両方に対して体積法的絡み合いを持つ基底状態を学ぶことができることを示す。 上述の文字で使用した設定は、非フェルミオンNQSがフェルミオン状態の学習に不効率であることを明らかにする。
• 参考スコア（独自算出の注目度）: 44.99833362998488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Passetti et al. [Physical Review Letters 131, 036502 (2023)] recently assessed the potential of neural quantum states (NQS) in learning ground-state wave functions with volume-law entanglement scaling. They focused on NQS using feedforward neural networks, specifically applied to the complex SYK Hamiltonian for fermions. Their numerical results hint at an exponential increase in the required variational parameters as the system size grows, apparently tied to the entanglement growth within the SYK ground state. This challenges the general utility of NQS for highly entangled wavefunctions, contrasting with established analytical and numerical findings. Based on our experiments, we show that suitably chosen NQS can learn ground states with volume-law entanglement both for spin and fermionic problems. We argue that the setup utilized in the aforementioned letter reveals the inefficiency of non-fermionic NQS to learn fermionic states, rather than a general connection between entanglement content and learnability hardness.
• Abstract（参考訳）: Passetti et al [Physical Review Letters 131, 036502 (2023)] は、最近、量子量子状態 (NQS) の量子量子状態(英語版)の可能性を評価した。 彼ら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NQSに焦点を当て、特にフェルミオンの複雑なSYKハミルトニアンに適用した。 これらの数値結果は,SYK基底状態における絡み合いの増大と相関して,システムサイズが大きくなるにつれて,必要な変動パラメータが指数関数的に増加することを示唆している。 このことは、非常に絡み合った波動関数に対するNQSの汎用性に挑戦し、確立された解析的および数値的な結果とは対照的である。 実験の結果, スピン問題とフェルミオン問題の両方において, NQS は体積法に絡み合った基底状態を学習できることがわかった。 上述の文字に用いた設定は、絡み合いの内容と学習性硬度との一般的な関係ではなく、非フェルミオンNQSがフェルミオン状態の学習に不効率であることを明らかにする。

関連論文リスト

• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• From Architectures to Applications: A Review of Neural Quantum States [0.0]
  我々は、そのようなシステムのシミュレーション、すなわちニューラル量子状態(NQS)のための比較的新しい変分状態のクラスをレビューする。 NQSは、状態の正確なパラメータ化に必要な指数関数的に多くの係数を格納するのではなく、ネットワークパラメータの観点から状態を圧縮することで指数関数スケーリングを克服する。
  論文  参考訳（メタデータ） (2024-02-14T18:59:16Z)
• Efficiency of neural quantum states in light of the quantum geometric tensor [0.0]
  ニューラル量子状態 (NQS) ans" はモンテカルロの変分アルゴリズムにおいて有望であることが示されている。 本研究では,スピン1双正弦波鎖の異なる相における基底状態を表現するための浅部ニューラルネットワークの効率について検討した。
  論文  参考訳（メタデータ） (2024-02-02T16:58:57Z)
• 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)
• Can neural quantum states learn volume-law ground states? [0.0]
  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。
  論文  参考訳（メタデータ） (2022-12-05T12:26:20Z)
• Symmetric Pruning in Quantum Neural Networks [111.438286016951]
  量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。 ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。 本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
  論文  参考訳（メタデータ） (2022-08-30T08:17:55Z)
• 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)
• Infinite Neural Network Quantum States: Entanglement and Training Dynamics [1.0878040851638]
  我々は、アンサンブル統計による表現力を示すニューラルネットワーク量子状態(infty$-NNQS)の無限限界について研究する。 ニューラルネットワーク量子状態の勾配降下ダイナミクスを研究するための一般的なフレームワークを開発した。 $infty$-NNQSは、他の物理学応用における絡み合いの研究とトレーニングの新たな機会を開く。
  論文  参考訳（メタデータ） (2021-12-01T18:57:17Z)
• Phase Detection with Neural Networks: Interpreting the Black Box [58.720142291102135]
  ニューラルネットワーク(NN)は通常、予測の背後にある推論に対する洞察を妨げます。 本研究では,1次元拡張スピンレスFermi-Hubbardモデルの位相を半充足で予測するために,NNのブラックボックスをいかに影響関数が解き放つかを示す。
  論文  参考訳（メタデータ） (2020-04-09T17:45:45Z)
• 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。