論文の概要: Paths towards time evolution with larger neural-network quantum states

• arxiv url: http://arxiv.org/abs/2406.03381v1
• Date: Wed, 5 Jun 2024 15:32:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 17:31:45.603096
• Title: Paths towards time evolution with larger neural-network quantum states
• Title（参考訳）: より大きなニューラルネットワーク量子状態による時間発展への道
• Authors: Wenxuan Zhang, Bo Xing, Xiansong Xu, Dario Poletti,
• Abstract要約: 我々は、傾斜したイジングモデルにおいて、常磁性から反強磁性相への量子クエンチを考える。 両タイプのネットワークに対して、予測時間依存変動モンテカルロ法(p-tVMC)は、非計画的手法よりも優れた性能を示すことを示す。
• 参考スコア（独自算出の注目度）: 17.826631514127012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the neural-network quantum states method has been investigated to study the ground state and the time evolution of many-body quantum systems. Here we expand on the investigation and consider a quantum quench from the paramagnetic to the anti-ferromagnetic phase in the tilted Ising model. We use two types of neural networks, a restricted Boltzmann machine and a feed-forward neural network. We show that for both types of networks, the projected time-dependent variational Monte Carlo (p-tVMC) method performs better than the non-projected approach. We further demonstrate that one can use K-FAC or minSR in conjunction with p-tVMC to reduce the computational complexity of the stochastic reconfiguration approach, thus allowing the use of these techniques for neural networks with more parameters.
• Abstract（参考訳）: 近年,多体量子系の基底状態と時間進化を研究するために,ニューラルネットワーク量子状態法が研究されている。 ここでは、調査を拡大し、傾いたイジングモデルにおいて、常磁性から反強磁性相への量子クエンチを考察する。 我々は、制限されたボルツマンマシンとフィードフォワードニューラルネットワークの2種類のニューラルネットワークを使用している。 両タイプのネットワークに対して、予測時間依存変動モンテカルロ法(p-tVMC)は、非計画的手法よりも優れた性能を示すことを示す。 さらに,K-FACやminSRをp-tVMCと組み合わせることで,確率的再構成手法の計算複雑性を低減できることを示す。

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)
• Forward Laplacian: A New Computational Framework for Neural Network-based Variational Monte Carlo [31.821891877123527]
  ニューラルネットワークに基づく変分モンテカルロ(NN-VMC)は、アブイニシアト量子化学の最先端技術として期待されている。 本稿では,1桁以上の高速化を実現するNN-VMC法の開発について報告する。
  論文  参考訳（メタデータ） (2023-07-17T03:14:32Z)
• 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)
• Neural network quantum state with proximal optimization: a ground-state searching scheme based on variational Monte Carlo [4.772126473623257]
  提案手法では, ミスマッチしたサンプルを再利用することで, 複数の更新を可能とした, 近位最適化(PO)を用いた新しい目的関数を提案する。 正方格子上の1次元横フィールドイジングモデルと2次元ハイゼンベルク反強磁性体を用いた基底状態探索のためのVMC-POアルゴリズムの性能について検討する。
  論文  参考訳（メタデータ） (2022-10-29T04:55:39Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Low-bit Quantization of Recurrent Neural Network Language Models Using Alternating Direction Methods of Multipliers [67.688697838109]
  本稿では、乗算器の交互方向法(ADMM)を用いて、スクラッチから量子化RNNLMを訓練する新しい手法を提案する。 2つのタスクの実験から、提案されたADMM量子化は、完全な精度ベースライン RNNLM で最大31倍のモデルサイズ圧縮係数を達成したことが示唆された。
  論文  参考訳（メタデータ） (2021-11-29T09:30:06Z)
• Variational learning of quantum ground states on spiking neuromorphic hardware [0.0]
  高次元サンプリング空間と過渡自己相関は、難しい計算ボトルネックを伴うニューラルネットワークに直面する。 従来のニューラルネットワークと比較して、物理モデルデバイスは高速で効率的で本質的に並列な基板を提供する。 変動エネルギー最小化による量子スピンモデルの基底状態を表すニューロモルフィックチップの能力を示す。
  論文  参考訳（メタデータ） (2021-09-30T14:39:45Z)
• Quantum Deep Learning: Sampling Neural Nets with a Quantum Annealer [0.0]
  本稿では,量子処理ユニット上での高解像度画像分類のための2つのハードルを克服する手法を提案する。 我々は、畳み込みニューラルネットワークをQPUに転送し、少なくとも1桁の分類スピードアップの可能性を示した。
  論文  参考訳（メタデータ） (2021-07-19T09:35:02Z)
• 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)
• 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。