Fermi Hubbard 模型的自回归神经量子态
强关联电子
2025-02-07 v2 无序系统与神经网络
摘要
神经量子态（NQS）已成为强关联系统变分量子蒙特卡洛研究的强大试探波函数。在这里，我们将循环神经网络（RNN）和自回归变换器神经网络应用于一维和二维的 Fermi-Hubbard 模型以及（非厄米的）Hatano-Nelson-Hubbard 模型。在两种情况下，我们都观察到当增加相互作用强度时，RNN 试探波函数的收敛性面临挑战。我们提出了一种物理动机明确且易于实现的优化改进策略，即对模型参数进行缓变扫描。此外，我们研究了两种网络架构的自回归采样特性的优势和劣势。对于 Hatano-Nelson-Hubbard 模型，我们识别出由自回归采样方案与模型的非厄米性质相结合导致的收敛问题。我们的发现为 NQS 方法面临的挑战提供了见解，并迈出了使用该试探波函数探索强关联电子的第一步。
引用
@article{arxiv.2411.07144,
title = {Autoregressive neural quantum states of Fermi Hubbard models},
author = {Eduardo Ibarra-García-Padilla and Hannah Lange and Roger G Melko and Richard T Scalettar and Juan Carrasquilla and Annabelle Bohrdt and Ehsan Khatami},
journal= {arXiv preprint arXiv:2411.07144},
year = {2025}
}
备注
14 pages, 13 figures