論文の概要: Neural Network Backflow with Low-Rank Multi-Determinant Updates

• arxiv url: http://arxiv.org/abs/2609.26544v1
• Date: Tue, 22 Sep 2026 15:01:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.714508
• Title: Neural Network Backflow with Low-Rank Multi-Determinant Updates
• Title（参考訳）: 低ランクマルチ行列更新によるニューラルネットワークのバックフロー
• Abstract要約: 本稿では、ディープラーニングと変分モンテカルロを組み合わせたニューラルネットワークのバックフロー変換を中心にした変分フレームワークを提案する。 提案したアンザッツは、非局所的相関や複雑な手形構造を捉えるために、低ランクシフトを持つ多重行列展開を用いる。 結果は、強い相関を持つフェルミオン系の変分シミュレーションに対するスケーラブルで解釈可能なアプローチとして、このフレームワークの可能性を示す。
• 参考スコア（独自算出の注目度）: 0.4806505912512236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulating strongly correlated fermions remains a long-standing challenge due to the exponential complexity of the Hilbert space and the intricate sign structure of many-body wavefunctions. We introduce a variational framework centered on a neural network backflow transformation that combines deep learning with variational Monte Carlo. The proposed ansatz employs a multi-determinant expansion with low-rank shifts to capture non-local correlations and complex sign structures. Applied to the two-dimensional Hubbard model at both half-filling and $1/8$ doping, the method achieves energies within $0.45\%$ of auxiliary-field quantum Monte Carlo at half-filling and captures intertwined charge- and spin-density stripe patterns at $1/8$ doping. These results demonstrate the potential of this framework as a scalable and interpretable approach to variational simulations of strongly correlated fermionic systems.
• Abstract（参考訳）: 強い相関性を持つフェルミオンをシミュレートすることは、ヒルベルト空間の指数複雑性と多体波動関数の複雑な符号構造が原因で、長く続く課題である。 本稿では、ディープラーニングと変分モンテカルロを組み合わせたニューラルネットワークのバックフロー変換を中心にした変分フレームワークを提案する。 提案したアンザッツは、非局所的相関や複雑な手形構造を捉えるために、低ランクシフトを持つ多重行列展開を用いる。 半充填と1/8ドルのドーピングの両方で2次元のハバードモデルに適用すると、半充填で0.45 %の補助場量子モンテカルロのエネルギーを達成し、1/8ドルのドーピングで電荷密度とスピン密度のストリップパターンを捕捉する。 これらの結果は、強い相関を持つフェルミオン系の変分シミュレーションに対するスケーラブルで解釈可能なアプローチとして、このフレームワークの可能性を示している。

関連論文リスト

• Kibble-Zurek Dynamics in Two-dimensional Frustrated Systems with a Neural Foundation-state Subspace Method [0.6524460254566904]
  本稿では,近距離断熱力学のためのNeural Foundation-State Subspace (NFS)法を提案する。 基礎的なニューラルネットワーク量子状態は、駆動経路に沿った基底状態多様体を表す。 本手法を2次元横フィールドイジングモデルで検証する。
  論文  参考訳（メタデータ） (2026-09-03T16:58:54Z)
• Neural Networks Provably Learn Spectral Representations for Group Composition [51.637084292404616]
  ニューラルネットワークトレーニング中に内部構造がどのように現れるかを検討する。 トレーニング力学は表現理論エネルギー汎関数上の勾配上昇によって支配されていることを証明する。 このフレームワークは特徴学習の表現論的記述を提供し、新しい低ランク圧縮現象を特徴付ける。
  論文  参考訳（メタデータ） (2026-06-02T01:04:21Z)
• On the Mechanism and Dynamics of Modular Addition: Fourier Features, Lottery Ticket, and Grokking [49.1352577985191]
  本稿では,2層ニューラルネットワークがモジュール追加タスクを解くために,機能をどのように学習するかを包括的に分析する。 我々の研究は、学習したモデルの完全な機械論的解釈と、その訓練力学の理論的説明を提供する。
  論文  参考訳（メタデータ） (2026-02-18T20:25:13Z)
• Hybrid Brownian SYK-Hubbard Model: from Spectral Function to Quantum Chaos [12.63172482253749]
  本稿では,Sachdev-Ye-Kitaev(SYK)モデルと,Sachdev-Ye-Kitaev(SYK)モデルとを結合したBrownian SYK-Hubbardモデルを提案する。 本研究は, カオス多体システムにおけるハバード相互作用の効果を探索するための, 解析的に抽出可能な新しいプラットフォームを構築した。
  論文  参考訳（メタデータ） (2025-10-18T08:29:15Z)
• Solving the Hubbard model with Neural Quantum States [66.55653324211542]
  ダッピングされた2次元ハバードモデルに対する最先端結果について検討した。 NQSアンサッツの異なるアテンションヘッドは、異なるスケールで直接相関を符号化することができる。 我々の研究は、マルチフェミオンシステムに挑戦する強力なツールとしてNQSを確立します。
  論文  参考訳（メタデータ） (2025-07-03T14:08:25Z)
• Two-dopant origin of competing stripe and pair formation in Hubbard and $t$-$J$ models [0.0]
  本研究では, 密度行列再正規化群アルゴリズムを用いて, 円筒系における単対のドーパントについて検討した。 秩序と一様ペアリングの相互作用は、有限ドーピングにおけるモデルの位相の中心であり、その起源は単対レベルである。
  論文  参考訳（メタデータ） (2024-09-26T17:59:57Z)
• Many-body tunneling in a double-well potential [0.0]
  本稿では,多体システムにおけるワニエ関数の評価手法を提案する。 非標準のハバード項に対処し、多体力学にそれらの重要な影響を実証する。 この発見は、ツイスト二層グラフェンの超伝導や金属絶縁体転移などの現象に重要な意味を持つ。
  論文  参考訳（メタデータ） (2024-09-06T14:36:31Z)
• Measuring Model Complexity of Neural Networks with Curve Activation Functions [100.98319505253797]
  本稿では,線形近似ニューラルネットワーク(LANN)を提案する。 ニューラルネットワークのトレーニングプロセスを実験的に検討し、オーバーフィッティングを検出する。 我々は、$L1$と$L2$正規化がモデルの複雑さの増加を抑制することを発見した。
  論文  参考訳（メタデータ） (2020-06-16T07:38:06Z)
• Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
  過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。 また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
  論文  参考訳（メタデータ） (2020-02-20T15:43:02Z)

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。