一种受语言启发用于求解强关联问题与动力学平均场论的机器学习方法

我们提出 SCALINN——受语言启发的神经网络强关联方法（Strongly Correlated Approach with Language Inspired Neural Network）——作为求解 Anderson 杂质模型并降低动力学平均场论计算成本的方法。受生成式 Transformer 网络在自然语言处理中成功的启发，SCALINN 利用内部改进的 Transformer 网络来学习作为杂质模型解的关联 Matsubara 格林函数。这是通过向网络提供低成本的 Matsubara 格林函数实现的，从而克服了高精度解的计算成本。在不同温度与相互作用强度下，SCALINN 的性能在物理可观测量（谱函数、Matsubara 格林函数、准粒子权重）与神经网络的均方误差代价值上均得到展示，彰显了该网络加速基于格林函数的关联材料计算的能力。