基于无领域知识机器学习的解析延拓
强关联电子
2019-03-05 v2 无序系统与神经网络
计算物理
摘要
我们提出了一种机器学习方法来解决量子多体物理学中的一个长期问题，即解析延拓。这个从虚时间格林函数获取谱函数的著名不适定问题，在过去几十年中一直是新方法发展的焦点。在此，我们展示了包括卷积神经网络和随机梯度下降优化器变体在内的现代机器学习技术的有效性。我们在不使用任何“领域知识”的情况下成功实现了机器学习延拓核，这意味着在核构建中未利用任何物理“先验”，神经网络仅从“训练”中“学习”知识。该方法在绝缘体和金属能带结构中均取得了出色的性能。我们基于机器学习的方法不仅在峰位置和峰高方面提供了比传统方法更精确的谱，而且对噪声具有更强的鲁棒性，这是任何延拓技术成功所需的关键特征。此外，其计算速度比最大熵法快 10 到 10 倍。
引用
@article{arxiv.1806.03841,
title = {Analytic continuation via domain-knowledge free machine learning},
author = {Hongkee Yoon and Jae-Hoon Sim and Myung Joon Han},
journal= {arXiv preprint arXiv:1806.03841},
year = {2019}
}
备注
8 pages, 7 figures