論文の概要: Disentangling Tensor Network States with Deep Neural Network
- arxiv url: http://arxiv.org/abs/2603.14425v1
- Date: Sun, 15 Mar 2026 15:09:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 16:19:35.804966
- Title: Disentangling Tensor Network States with Deep Neural Network
- Title（参考訳）: ディープニューラルネットワークを用いた遠心性テンソルネットワーク状態
- Abstract要約: 本稿では、ディープニューラルネットワークとテンソルネットワークアーキテクチャを統合する可変波動関数アンサッツを提案する。
$TNSフレームワークでは、ニューラルネットワークは波動関数のアンタングルとして機能し、物理的自由度をはるかに少ないエンタングルメントで再正規化変数に変換する。
この構成により、強い相関の量子状態のコンパクトで高表現力の表現が得られる。
- 参考スコア（独自算出の注目度）: 20.1390115178447
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Neural Tensor Network States ($ν$TNS), a variational many-body wave-function ansatz that integrates deep neural networks with tensor-network architectures. In the $ν$TNS framework, a neural network serves as a disentangler of the wave-function, transforming the physical degrees of freedom into renormalized variables with much less entanglement. The renormalized state is then efficiently encoded by a back-flow tensor network. This construction yields a compact yet highly expressive representation of strongly correlated quantum states. Using convolutional neural networks combined with matrix product states as a concrete implementation, we obtain state-of-the-art variational energies for the spin-$1/2$ $J_1$-$J_2$ Heisenberg model on the square lattice at the highly frustrated point $J_2/J_1=0.5$, for systems up to $20\times 20$ with periodic boundary conditions. Finite-size scaling of spin, dimer, and plaquette correlations exhibits power-law decay without magnetic or valence-bond long-range order, consistent with a gapless quantum spin-liquid ground state at that point.This $ν$TNS framework is flexible and naturally extensible to other neural and tensor-network structures, offering a general platform for investigating strongly correlated quantum many-body systems.
- Abstract（参考訳）: 本稿では,ディープニューラルネットワークとテンソルネットワークアーキテクチャを統合する多体波動関数アンサッツであるNeural Tensor Network States(ν$TNS)を紹介する。
$ν$TNS フレームワークでは、ニューラルネットワークは波動関数のアンタングルとして機能し、物理的自由度をより少ないエンタングルメントで再正規化変数に変換する。
そして、再正規化状態は、バックフローテンソルネットワークによって効率的に符号化される。
この構成により、強い相関の量子状態のコンパクトで高表現力の表現が得られる。
畳み込みニューラルネットワークと行列積状態とを具体的実装として用いて、高フラストレーション点であるJ_2/J_1=0.5$の正方格子上のスピン-1/2$$J_1$-$J_2$Heisenbergモデルに対して、20ドルまでの周期境界条件を持つシステムに対して、最先端の変動エネルギーを求める。
スピン、ダイマー、プラケットの相関関係の有限サイズスケーリングは、磁気的あるいは原子価結合の長い範囲の秩序を伴わずに、その時点での空隙のない量子スピン-液体基底状態と整合性を示す。この$ν$TNSフレームワークは、他の神経およびテンソル-ネットワーク構造に対して柔軟で自然に拡張可能であり、強相関の強い量子多体系を調査するための一般的なプラットフォームを提供する。
関連論文リスト
- Dense Neural Networks are not Universal Approximators [53.27010448621372]
ニューラルネットワークは任意の連続関数の普遍性を持たないことを示す。
ReLUニューラルネットワークは、重みと入出力次元の自然な制約を受ける。
論文 参考訳（メタデータ） (2026-02-07T16:52:38Z) - Approaching the Thermodynamic Limit with Neural-Network Quantum States [0.6999740786886536]
ニューラルネットワーク量子状態に対する最小かつ物理的に解釈可能な帰納バイアスである空間的注意機構を導入する。
このバイアスは大規模最適化を安定化し、熱力学・極限物理学へのアクセスを可能にする。
提案手法は20時間20ドルの正方格子に対して最先端のエネルギーを達成し,Residual Convolutional Neural Networksより優れていることを示す。
論文 参考訳（メタデータ） (2026-02-02T19:00:05Z) - Neuralized Fermionic Tensor Networks for Quantum Many-Body Systems [2.106032467537321]
神経化フェルミオンテンソルネットワーク状態(NN-fTNS)の分類について述べる。
NN-fTNSは、局所テンソルの構成依存型ニューラルネットワーク変換を通じてフェルミオンテンソルネットワークに非線形性を導入する。
既存のフェルミオン性神経量子状態(NQS)と比較して、NN-fTNSは物理的に動機付けられた代替フェルミオン構造を提供する。
論文 参考訳（メタデータ） (2025-06-10T01:33:58Z) - Probing Quantum Spin Systems with Kolmogorov-Arnold Neural Network Quantum States [0.0]
量子力学的波動関数を表現するニューラルネットワークモデルであるtexttSineKAN を提案する。
textttSineKANモデルは,計算コストを最小限に抑えて高精度かつ高精度にトレーニングできることが判明した。
論文 参考訳（メタデータ） (2025-06-02T17:18:40Z) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$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) - Neural network approach to quasiparticle dispersions in doped
antiferromagnets [0.0]
異なる1次元および2次元格子上でのボソニックおよびフェルミオンの$t-J$モデルを表現する神経量子状態の能力について検討する。
本稿では,ニューラルネットワークの状態表現から分散関係を計算する手法を提案する。
論文 参考訳（メタデータ） (2023-10-12T17:59:33Z) - 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) - Tensor Network States with Low-Rank Tensors [6.385624548310884]
テンソルネットワークを構成するテンソルに低ランク制約を課すという考え方を導入する。
この修正により、ネットワーク最適化の時間と複雑さを大幅に削減できる。
テンソル階数 $r$ を$m$ の順序で選ぶことは、高い精度の基底状態近似を得るのに十分である。
論文 参考訳（メタデータ） (2022-05-30T17:58:16Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - 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) - 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。