用于优化大规模神经网络量子态的一个简单线性代数恒等式
强关联电子
2024-08-05 v2 无序系统与神经网络
摘要
神经网络架构日益被用于表征量子多体波函数。这些网络需要大量变分参数，且使用梯度下降等传统方法难以优化。随机重构（SR）在参数数量有限时行之有效，但参数超过几千后便不切实际。本文中，我们利用一个简单的线性代数恒等式表明，即便在深度学习场景下也可使用SR。我们通过优化具有 个参数的深度Transformer架构来展示方法的有效性，在 方格子上 的 - 海森堡模型中达到了最先进的基态能量，该模型是强阻挫磁学中的一个具挑战性基准。本工作标志着SR在神经网络量子态的可扩展性与效率上的重大进步，使其成为研究其他方法难以应付的未知量子物质相的一种有前景的方法。
引用
@article{arxiv.2310.05715,
title = {A simple linear algebra identity to optimize Large-Scale Neural Network Quantum States},
author = {Riccardo Rende and Luciano Loris Viteritti and Lorenzo Bardone and Federico Becca and Sebastian Goldt},
journal= {arXiv preprint arXiv:2310.05715},
year = {2024}
}
备注
7 pages, 4 figure and 1 table