机构名称：
¥ 2.0
大量研究表明，参数化人工神经网络 (ANN) 可以有效描述众多有趣的量子多体汉密尔顿量的基态。然而，用于更新或训练 ANN 参数的标准变分算法可能会陷入局部极小值，尤其是对于受挫系统，即使表示足够具有表现力。我们提出了一种并行调节方法，有助于摆脱这种局部极小值。这种方法涉及独立训练多个 ANN，每个模拟由具有不同“驱动器”强度的汉密尔顿量控制，类似于量子并行调节，并且它将更新步骤纳入训练中，允许交换相邻的 ANN 配置。我们研究了两类汉密尔顿量的实例，以证明我们使用受限玻尔兹曼机作为参数化 ANN 的方法的实用性。第一个实例基于置换不变汉密尔顿量，其地形阻碍了标准训练算法，使其逐渐陷入假局部最小值。第二个实例是四个氢原子排列成一个矩形，这是使用高斯基函数离散化的第二个量化电子结构哈密顿量的一个实例。我们在最小基组上研究了这个问题，尽管问题规模很小，但它表现出了假最小值，可以捕获标准变分算法。我们表明，通过量子并行回火来增强训练对于找到这些问题实例基态的良好近似值非常有用。
利用人工神经网络进行量子启发基态近似回火
主要关键词
相关文件推荐
