本文探讨深度学习理论中网络输出的分析方法,将随机初始化的多层感知机视为输入的哈密顿量,揭示了能量景观的性质,特别是无限宽度下近全局最小值的结构,并分析了不同激活函数对能量景观的影响。
本研究解决了密度泛函理论(DFT)在大分子应用中的计算资源限制问题。通过生成更大的训练集并引入基于物理原理的损失函数(波函数对齐损失),研究开发了一种可扩展的DFT模型,实现了预测精度的显著提高和自洽场计算速度的加快。本研究的成果为大分子系统的准确预测提供了新的基准。
本研究提出了一种有效的协议,用于学习正温度玻色高斯态的哈密顿量,优化了样本和计算复杂性。结果表明,该方法在实验上可行,样本复杂性以对数级增长,推动了量子哈密顿量学习。
本研究探讨了学习具有$M$个未知保利项的$k$-体哈密顿量的问题,提出了一种非自适应协议,能够以精度$ heta$学习哈密顿量,并在多项式时间内表现优越,不依赖几何局部性条件。
Symplectic ODE-Net是一个深度学习框架,利用Hamilton动力学建模物理系统,提出了辛泰勒神经网络等新算法,能够在有限数据下高效预测复杂系统。研究结合了非线性时间序列学习和几何积分器,显著提高了模型的准确性和训练效率。
该研究介绍了一个统一的神经网络架构,Deep Equilibrium Density Functional Theory Hamiltonian (DEQH) 模型,它结合了 Deep Equilibrium Models (DEQs) 来预测 Density Functional Theory (DFT) Hamiltonians。DEQH 模型固有地捕捉了 Hamiltonian...
本文探讨了机器学习在量子多体物理中的应用,特别是预测哈密顿量基态及其性质。研究表明,通过物理约束和正定核,可以显著降低样本复杂度,尤其在强局部性情况下。算法结合了学习未知状态属性和低阶可观测量,展示了高效的预测能力,并提供了改进的样本复杂度分析。
本文探讨了利用强化学习和核密度估计优化量子近似优化算法(QAOA)的两种基于机器学习的方法。研究表明,这些方法在较大问题实例中显著提高了优化效果,减少了优化度缺口。同时,文章讨论了量子计算在强化学习中的应用潜力及面临的挑战。
本文综述机器学习在电子结构计算中的应用,包括预测DFT哈密顿量、构建交换关联泛函、优化Kohn-Sham方法、预测量子波函数与哈密顿矩阵等,可提升精度与效率、降低成本并增强模型可迁移性,为材料与分子设计提供新途径。
该文综述量子哈密顿量学习进展,提出多项式时间算法,利用已知逆温度Gibbs态精确学习局部哈密顿量H至精度ε,具最优样本与时间复杂度;类似算法可从实时演化算符e^{-itH}学习H。还涵盖量子增强分治、Bayesian在线学习、稀疏哈密顿量模拟及浅层量子电路高效学习等方法。
综述了Hamilton神经网络与量子Hamilton学习进展,涵盖可加性模型、贝叶斯在线学习、非可分辛网络、辛自编码器等方法,用于从数据回归向量场、诊断量子噪声、预测混沌系统,并实现长期稳定与低复杂度。
本研究探讨了利用量子力学系统的哈密顿量进行数据分析技术的可能性,并使用量子哈密顿基模型进行建模。研究结果表明,可以用混合态表示大型强子对撞机数据,并利用学习到的哈密顿量进行异常检测和量化样本类型之间的差异。这种方法可以将理论方法应用于数据分析技术。
该文介绍了如何通过机器学习预测哈密顿量族的基态及其性质。利用物理约束和预测密度矩阵的正定核可以改进样本复杂度,特别是在强局部性的情况下,样本数可以进一步降低。
完成下面两步后,将自动完成登录并继续当前操作。