基于自回归神经网络的量子自旋动力学外推
强关联电子
2025-12-16 v1 无序系统与神经网络
摘要
理解量子材料的动力学响应是揭示其微观特性的关键，但由于计算成本和纠缠的快速增长，尤其是在无能隙系统中，长时间和大规模动力学的获取受到严格限制。本文引入了一种自回归机器学习框架，使我们能够在时间和空间上超越常规数值方法的范围，对动力学自旋关联进行外推。在时间依赖的密矩阵重正化群模拟的 gapless XXZ 模型上进行训练，我们将其与可获得的解析解进行基准测试。结合物理信息的空间扩展，采用 ReLU 激活函数的多层感知机模型已被证明优于卷积神经网络和线性回归，可实现更长时间的外推。误差累积的扰动研究进一步表明，我们的自回归神经网络外推对扰动极其稳健，表明其预测具有高度稳定和可靠性。本工作建立了一种新范式来研究无能隙量子许多体系统的动力学，其中机器学习扩展并补充了最新数值方法的能力。
引用
@article{arxiv.2512.13103,
title = {Autoregressive Neural Network Extrapolation of Quantum Spin Dynamics Across Time and Space},
author = {Hubert Pugzlys and Shreyas Varude and Sam Dillon and Huy Tran and Ta Tang and Zhe Jiang and Xuzhe Ying and Chunjing Jia},
journal= {arXiv preprint arXiv:2512.13103},
year = {2025}
}
备注
15 pages, 5 figures