論文の概要: Enhancing Neural-Network Variational Monte Carlo through Basis Transformation

• arxiv url: http://arxiv.org/abs/2604.15888v1
• Date: Fri, 17 Apr 2026 09:35:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.864983
• Title: Enhancing Neural-Network Variational Monte Carlo through Basis Transformation
• Title（参考訳）: 基底変換によるニューラルネットワーク変分モンテカルロの強化
• Authors: Zhixuan Liu, Dongheng Qian, Jing Wang,
• Abstract要約: ニューラルネットワークの変動型Monte Carlo(NNVMC)は、量子体問題を解く強力なツールとして登場した。 本稿では,ニューラルネットワークアンサッツ自体の複雑さを増大させることなく,変動表現性を向上させるNNVMCの物理的動機付けベーストランスフォーメーションを提案する。 このアプローチは最小限の計算オーバーヘッドを導入し、既存のニューラルネットワークアーキテクチャと簡単に組み合わせることができる。
• 参考スコア（独自算出の注目度）: 4.131006563476114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural-network variational Monte Carlo (NNVMC) has emerged as a powerful tool for solving quantum many-body problems, yet systematic pathways for improving its accuracy remain largely heuristic. Here, we introduce a physically motivated basis transformation for NNVMC that enhances variational expressivity without increasing the complexity of the neural-network ansatz itself. By formulating the many-body wave function in a Gaussian basis, we introduce a single learnable locality parameter, $α$, that reshapes the target ground state into a more learnable representation. This approach introduces minimal computational overhead and can be readily combined with existing neural-network architectures. Using the three-dimensional homogeneous electron gas as a benchmark, we show that the optimized basis transformation consistently lowers the variational energy for both FermiNet and message-passing neural-network architectures. Notably, for the latter, it enables a more precise determination of the Fermi liquid to Wigner crystal phase transition. More broadly, our results highlight basis transformation as a new route to improving NNVMC in continuous space, showing that accuracy can be enhanced not only by refining the ansatz but also by making the target ground state easier to represent.
• Abstract（参考訳）: ニューラルネットワークの変動型モンテカルロ(NNVMC)は、量子多体問題を解く強力なツールとして登場したが、その正確性を改善するための体系的な経路はほとんどヒューリスティックのままである。 本稿では,ニューラルネットワークアンサッツ自体の複雑さを増大させることなく,変動表現性を向上させるNNVMCの物理的動機付けベーストランスフォーメーションを提案する。 ガウス基底で多体波動関数を定式化することにより、対象の基底状態をより学習可能な表現に再設定する単一の学習可能な局所性パラメータ、$α$を導入する。 このアプローチは最小限の計算オーバーヘッドを導入し、既存のニューラルネットワークアーキテクチャと簡単に組み合わせることができる。 3次元同質電子ガスをベンチマークとして、最適化された基底変換がフェルミネットとメッセージ通過ニューラルネットアーキテクチャの両方の変動エネルギーを一貫して低下させることを示す。 特に後者では、フェルミ液体のウィグナー結晶相転移をより正確に決定することができる。 より広義には、連続空間におけるNNVMCの改善のための新しい経路としての基底変換が強調され、アンザッツを精製するだけでなく、対象の基底状態を表現しやすくすることで精度を向上できることが示されている。

関連論文リスト

• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Deep Neural Networks as Variational Solutions for Correlated Open Quantum Systems [0.0]
  より強力なモデルで直接密度行列をパラメータ化することで、より良い変分アンザッツ関数が得られることを示す。 本稿では, 散逸的一次元逆場イジングモデルと2次元散逸的ハイゼンベルクモデルについて述べる。
  論文  参考訳（メタデータ） (2024-01-25T13:41:34Z)
• Scalable Imaginary Time Evolution with Neural Network Quantum States [0.0]
  ニューラルネットワーク量子状態(NQS)としての量子波関数の表現は、多体量子系の基底状態を見つけるための強力な変分アンサッツを提供する。 我々は、計量テンソルの計算をバイパスするアプローチを導入し、代わりにユークリッド計量を用いた一階降下にのみ依存する。 我々は,NQSのエネルギーが減少するまで最適な時間ステップを決定し,目標を固定し,適応的に安定させる。
  論文  参考訳（メタデータ） (2023-07-28T12:26:43Z)
• 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)
• Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
  連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。 等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
  論文  参考訳（メタデータ） (2023-05-12T04:12:04Z)
• Quantum Annealing for Neural Network optimization problems: a new approach via Tensor Network simulations [0.0]
  量子アニーリング(QA)は、量子最適化の最も有望なフレームワークの1つである。 本稿では,QAの断熱時間進化を適切なネットワークとして効率的に表現できることを示す。 マトリックス製品状態(MPS)として表現された最適化状態が量子回路に再キャスト可能であることを示す。
  論文  参考訳（メタデータ） (2022-08-30T18:00:14Z)
• Cross-receptive Focused Inference Network for Lightweight Image Super-Resolution [64.25751738088015]
  トランスフォーマーに基づく手法は、単一画像超解像(SISR)タスクにおいて顕著な性能を示した。 動的に特徴を抽出するために文脈情報を組み込む必要がある変換器は無視される。 我々は,CNNとTransformerを混合したCTブロックのカスケードで構成される,軽量なクロスレセプティブ・フォーカスド・推論・ネットワーク(CFIN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T16:32:29Z)
• Revisiting Transformation Invariant Geometric Deep Learning: An Initial Representation Perspective [38.314914702299056]
  我々は幾何学的データのための単純で汎用的なプラグインであるTransform In Neural Networks (TinvNN)を提案する。 具体的には,多次元スケーリングを改良することにより,変換不変性と距離保存初期点表現を実現する。 我々は、TinvNNが変換不変性を厳密に保証し、既存のニューラルネットワークと組み合わせられるほど汎用的で柔軟なことを証明した。
  論文  参考訳（メタデータ） (2021-12-23T03:52:33Z)
• Orthogonal Graph Neural Networks [53.466187667936026]
  グラフニューラルネットワーク(GNN)は,ノード表現の学習において優れていたため,大きな注目を集めている。 より畳み込み層を積み重ねることで、GNNのパフォーマンスが大幅に低下する。 本稿では,モデルトレーニングの安定化とモデル一般化性能の向上のために,既存のGNNバックボーンを拡張可能なOrtho-GConvを提案する。
  論文  参考訳（メタデータ） (2021-09-23T12:39:01Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)

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。