ANTN：连接自回归神经网络与张量网络用于量子多体模拟
量子物理
2024-04-18 v3 强关联电子
机器学习
计算物理
摘要
量子多体物理模拟对理解基础科学具有重要影响，并在量子材料设计与量子技术中有应用。然而，由于希尔伯特空间尺寸随粒子数指数增长，直接模拟不可行。以张量网络与神经网络表示量子态是两类最先进的近似模拟方法，但各自在表达能力与归纳偏置方面存在局限。为应对这些挑战，我们发展了新颖架构——自回归神经张量网络（ANTN），其桥接了张量网络与自回归神经网络。我们表明自回归神经张量网络参数化归一化波函数，允许精确采样，推广了张量网络与自回归神经网络的表达能力，并从自回归神经网络继承多种对称性。我们在量子态学习以及寻找具挑战性的二维 - Heisenberg 模型在不同系统尺寸与耦合参数下的基态上演示了该方法，优于张量网络与自回归神经网络。我们的工作为量子多体物理模拟、量子技术设计及人工智能中的生成建模开辟了新机遇。
引用
@article{arxiv.2304.01996,
title = {ANTN: Bridging Autoregressive Neural Networks and Tensor Networks for Quantum Many-Body Simulation},
author = {Zhuo Chen and Laker Newhouse and Eddie Chen and Di Luo and Marin Soljačić},
journal= {arXiv preprint arXiv:2304.01996},
year = {2024}
}