BriefGPT - AI 论文速递
·
神经网络量子多体基态振幅的变分优化
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了一种新方法，即神经网络量子态（NQSs），用于找到量子多体基态。该方法将量子多体变分波函数拆分为实值振幅神经网络和符号结构的乘积，并专注于振幅网络的优化。在三个典型的量子多体系统上进行测试，结果表明该方法的基态能量低于或与传统方法相当。在受挫型海森堡 $J_1$-$J_2$ 模型中，该方法的结果优于复值卷积神经网络，说明复值 NQS 的符号结构难以优化。未来将研究 NQS 的符号结构优化。
🎯
关键要点
- 神经网络量子态（NQSs）是一种新方法，用于找到量子多体基态。
- 该方法结合了传统方法和深度学习技术进行变分优化。
- 量子多体变分波函数被拆分为实值振幅神经网络和符号结构的乘积。
- 研究专注于优化振幅网络，同时保持符号结构固定。
- 在三个典型的量子多体系统上测试，基态能量低于或与传统方法相当。
- 在受挫型海森堡 $J_1$-$J_2$ 模型中，该方法的结果优于复值卷积神经网络。
- 复值 NQS 的符号结构优化较为困难，未来将对此进行研究。
➡️
