利用人工神经网络逼近量子多体波函数
强关联电子
2018-01-17 v4
摘要
在本文中，我们展示了人工神经网络（ANNs）在量子多体物理中的表达能力，即表明一个具有少量隐藏层的前馈神经网络可以被训练以高精度逼近一些著名量子多体系统的基态。我们考虑了一维自由玻色子和费米子、方晶格上半填充以外的无自旋费米子，以及具有快速振荡基态特征函数的阻挫量子磁性。在后一种情况下，标准架构的ANN失败，而稍作修改的架构成功学习了基态中由阻挫引起的复杂符号规则，并高精度地逼近了基态。作为我们方法实际应用的示例，我们还采用变分方法探索了反铁磁性 Heisenberg模型的基态。
引用
@article{arxiv.1704.05148,
title = {Approximating quantum many-body wave-functions using artificial neural networks},
author = {Zi Cai and Jinguo Liu},
journal= {arXiv preprint arXiv:1704.05148},
year = {2018}
}
备注
variational results of J1-J2 model have been added