論文の概要: Variational Neural and Tensor Network Approximations of Thermal States
- arxiv url: http://arxiv.org/abs/2401.14243v1
- Date: Thu, 25 Jan 2024 15:36:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-26 14:05:04.725510
- Title: Variational Neural and Tensor Network Approximations of Thermal States
- Title(参考訳): 熱状態の変分ニューラルネットワークとテンソルネットワーク近似
- Authors: Sirui Lu, Giacomo Giudice, J. Ignacio Cirac
- Abstract要約: 有限温度量子多体系を近似するための変分モンテカルロアルゴリズムを提案する。
1次元と2次元の両方の問題に対して、上記のクラスで異なる構成をベンチマークし比較する。
1次元での優れた結果にもかかわらず、この結果から、より困難な2次元システムに取り組む上で、数値的アンゼは特定の表現的制限を有することが示唆された。
- 参考スコア(独自算出の注目度): 0.3683202928838613
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a variational Monte Carlo algorithm for approximating
finite-temperature quantum many-body systems, based on the minimization of a
modified free energy. We employ a variety of trial states -- both tensor
networks as well as neural networks -- as variational ans\"atze for our
numerical optimization. We benchmark and compare different constructions in the
above classes, both for one- and two-dimensional problems, with systems made of
up to \(N=100\) spins. Despite excellent results in one dimension, our results
suggest that the numerical ans\"atze employed have certain expressive
limitations for tackling more challenging two-dimensional systems.
- Abstract(参考訳): 本稿では,修正自由エネルギーの最小化に基づく有限温度量子多体系近似のための変分モンテカルロアルゴリズムを提案する。
私たちは数値最適化のために変分 ans\"atze として、テンソルネットワークとニューラルネットワークの両方の様々な試行状態を採用しています。
上述のクラスにおける1次元問題と2次元問題の両方に対する異なる構成をベンチマークし比較し、最大 \(N=100\) スピンからなるシステムについて述べる。
一つの次元において優れた結果が得られたにもかかわらず、この数値 ans\"atze はより挑戦的な2次元システムに取り組むための表現論的制限を持つことが示唆された。
関連論文リスト
- Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳(メタデータ) (2024-05-22T17:23:15Z) - Neural Network Solutions of Bosonic Quantum Systems in One Dimension [0.0]
我々は、ニューラルネットワークを用いて、いくつかの異なる積分可能なボソニック量子系を1次元で研究することで、方法論をベンチマークする。
多数の粒子を持つシステムに対する手続きのスケーラビリティをテストする一方で、ニューラルネットワークに対称関数入力を導入し、区別不能な粒子の交換対称性を強制する。
論文 参考訳(メタデータ) (2023-09-05T16:08:48Z) - Absence of barren plateaus and scaling of gradients in the energy optimization of isometric tensor network states [0.0]
広いハミルトンと有限範囲の相互作用を持つ量子多体系のエネルギー問題を考える。
行列積状態,木テンソルネットワーク,およびマルチスケールエンタングル化再正規化アンサッツに対する変分最適化問題は,バレンプラトーを含まないことを証明した。
論文 参考訳(メタデータ) (2023-03-31T22:49:49Z) - 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) - Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural
Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。
PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。
PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文 参考訳(メタデータ) (2022-10-14T15:01:32Z) - Efficient Simulation of Dynamics in Two-Dimensional Quantum Spin Systems
with Isometric Tensor Networks [0.0]
最近導入された等尺テンソルネットワーク状態(isoTNS)の計算能力について検討する。
アイソTNSに基づくアルゴリズムの実装に関する技術的詳細を議論し、異なるアンタングルの比較を行う。
2次元量子スピン系の動的スピン構造係数を2つのパラダイムモデルに対して計算する。
論文 参考訳(メタデータ) (2021-12-15T19:00:05Z) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳(メタデータ) (2021-10-26T14:26:25Z) - Differentiable Programming of Isometric Tensor Networks [0.0]
微分プログラミングは、自動微分(auto-differentiation)として知られる勾配の自動計算による大規模最適化を可能にする新しいプログラミングパラダイムである。
ここでは、多スケールエンタングルメント再正規化アンサッツ(MERA)やテンソルネットワーク再正規化(TNR)に応用した等尺制約のあるテンソルネットワークに微分可能プログラミングを拡張した。
我々は1次元臨界量子イジングスピンチェーンと2次元古典イジングモデルを用いて数値解析を行った。
古典的モデルの1次元量子モデルと内部エネルギーの基底状態エネルギーを計算し、スケーリング作用素のスケーリング次元を計算し、それらがすべて一致することを確かめる。
論文 参考訳(メタデータ) (2021-10-08T05:29:41Z) - LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。
フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
論文 参考訳(メタデータ) (2021-03-01T03:10:11Z) - Quantitative Propagation of Chaos for SGD in Wide Neural Networks [39.35545193410871]
本稿では,SGD(Gradient Descent)の連続時間動作の制限挙動について検討する。
本研究では, この連続時間力学によって定義される粒子系に対して, 異なるシナリオ下での「カオスの伝播」を示す。
最小化問題の暗黙的な正則化版に対応する2つの平均場限界を求める。
論文 参考訳(メタデータ) (2020-07-13T12:55:21Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z)
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。