机构名称：
¥ 2.0
量子波函数作为神经网络量子状态（NQS）的表示提供了强大的变异ANSATZ，用于查找多体量子系统的基态。然而，由于复杂的变分景观，传统方法通常采用量子几何张量的计算，因此可以使用优化技术。为旨在制定替代方法的努力做出贡献，我们引入了一种绕过度量标准的计算的方法，而是仅依赖于用欧几里得度量的一阶梯度下降。这允许应用较大的神经网络，并使用其他机器学习域中使用更标准的优化方法。我们的方法通过构建源自schrödinger方程的目标波函数，然后训练神经网络以近似该目标来利用假想时间演变的原理。我们通过确定最佳时间步长并保持目标固定直到NQS的能量减少来使此方法自适应和稳定。我们通过使用2D J 1 - J 2 Heisenberg模型的数值实验证明了我们计划的好处，该模型与直接能量损失最小化相比，它展示了增强的稳定性和能量准确性。重要的是，我们的方法通过良好的密度矩阵重新归一化组方法和NQS优化具有随机重新配置，以表现出竞争力。
使用神经网络量子状态
主要关键词
相关文件推荐
