論文の概要: Design principles of deep translationally-symmetric neural quantum states for frustrated magnets

• arxiv url: http://arxiv.org/abs/2505.03466v1
• Date: Tue, 06 May 2025 12:08:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.361557
• Title: Design principles of deep translationally-symmetric neural quantum states for frustrated magnets
• Title（参考訳）: フラストレーション磁石の深い翻訳対称神経量子状態の設計原理
• Authors: Rajah P. Nutakki, Ahmedeo Shokry, Filippo Vicentini,
• Abstract要約: ディープニューラルネットワーク量子状態は、量子マグネットの基底状態を研究する主要な方法として登場した。 本稿では、変圧器の要素を畳み込みネットワークに組み込むように設計されたConvNextアーキテクチャを、量子多体基底状態に適用する。 いくつかのフラストレーション・スピン・システムで成功しているファクタード・ビジョン・トランスフォーマーと著しく類似していることが判明した。
• 参考スコア（独自算出の注目度）: 2.048226951354646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural network quantum states have emerged as a leading method for studying the ground states of quantum magnets. Successful architectures exploit translational symmetry, but the root of their effectiveness and differences between architectures remain unclear. Here, we apply the ConvNext architecture, designed to incorporate elements of transformers into convolutional networks, to quantum many-body ground states. We find that it is remarkably similar to the factored vision transformer, which has been employed successfully for several frustrated spin systems, allowing us to relate this architecture to more conventional convolutional networks. Through a series of numerical experiments we design the ConvNext to achieve greatest performance at lowest computational cost, then apply this network to the Shastry-Sutherland and J1-J2 models, obtaining variational energies comparable to the state of the art, providing a blueprint for network design choices of translationally-symmetric architectures to tackle challenging ground-state problems in frustrated magnetism.
• Abstract（参考訳）: ディープニューラルネットワーク量子状態は、量子マグネットの基底状態を研究する主要な方法として登場した。 成功したアーキテクチャは翻訳対称性を利用するが、その効果の根源とアーキテクチャの違いはいまだ不明である。 本稿では、変圧器の要素を畳み込みネットワークに組み込むように設計されたConvNextアーキテクチャを、量子多体基底状態に適用する。 この構造を従来の畳み込みネットワークに関連付けることができるため、いくつかのフラストレーションを施したスピンシステムに成功している係数変換器と著しく類似していることが判明した。 一連の数値実験を通じて、最低計算コストで最大の性能を達成するためにConvNextを設計し、次にこのネットワークをShastry-SutherlandモデルとJ1-J2モデルに適用し、現状に匹敵する変動エネルギーを得る。

関連論文リスト

• Ground-State Preparation of the Fermi-Hubbard Model on a Quantum Computer with 2D Topology via Quantum Eigenvalue Transformation of Unitary Matrices [0.0]
  QETUアルゴリズムを2倍のフェルミ・ハッバードモデルに適用する。 本稿では,モデルに合わせた回路単純化を行い,フェミオンスワップネットワークにインスパイアされた9ビットグリッド型ハードウェアアーキテクチャへのマッピングを提案する。
  論文  参考訳（メタデータ） (2024-11-27T17:32:17Z)
• Approximately-symmetric neural networks for quantum spin liquids [0.4369058206183195]
  本稿では,量子スピン液体問題に対するほぼ対称なニューラルネットワーク群の提案と解析を行う。 我々の研究は、解釈可能なニューラルネットワークアーキテクチャにおける量子スピン液体問題の研究への道を開いた。
  論文  参考訳（メタデータ） (2024-05-27T18:00:00Z)
• The Topos of Transformer Networks [0.6629765271909505]
  本稿では, トポス理論のレンズを用いて, トランスフォーマーアーキテクチャの表現性に関する理論的解析を行う。 我々は、多くの一般的なニューラルネットワークアーキテクチャが、一括線形関数のプリトポに組み込むことができるが、トランスフォーマーはそのトポス完了に必然的に存在することを示す。
  論文  参考訳（メタデータ） (2024-03-27T10:06:33Z)
• Explainable Equivariant Neural Networks for Particle Physics: PELICAN [51.02649432050852]
  PELICANは、新しい置換同変であり、ローレンツ不変アグリゲーターネットワークである。 本稿では,タグ付け(分類)とローレンツ発泡トップクォークの再構成(回帰)の両文脈におけるPELICANアルゴリズムアーキテクチャについて述べる。 PELICANの適用範囲を、クォーク開始時とグルーオン開始時とを識別するタスクに拡張し、5種類のジェットを対象とするマルチクラス同定を行う。
  論文  参考訳（メタデータ） (2023-07-31T09:08:40Z)
• Post-variational quantum neural networks [0.9208007322096533]
  可変後の戦略」は、可変パラメータを量子コンピュータから古典コンピュータにシフトさせる。 アーキテクチャ設計を用いた変分後の量子ニューラルネットワークは、変分アルゴリズムよりも優れた結果をもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2023-07-20T03:55:53Z)
• QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
  我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。 有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。 本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-14T08:03:20Z)
• Optimizing Design Choices for Neural Quantum States [0.0]
  本稿では、スピンハミルトニアンの基底状態探索に使用される一般的なネットワークアーキテクチャと対称性スキームの比較を行う。 基底状態の非自明な符号構造が存在する場合、対称性の細部が性能に重要な影響を与えていることが分かる。
  論文  参考訳（メタデータ） (2023-01-17T10:30:05Z)
• 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)
• PELICAN: Permutation Equivariant and Lorentz Invariant or Covariant Aggregator Network for Particle Physics [64.5726087590283]
  本稿では,全6次元ローレンツ対称性に対して最大で還元された入力の集合を用いた機械学習アーキテクチャを提案する。 結果として得られたネットワークは、モデル複雑さがはるかに低いにもかかわらず、既存の競合相手すべてを上回っていることを示す。
  論文  参考訳（メタデータ） (2022-11-01T13:36:50Z)

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。