基于神经网络的量子多体波函数回流变换
无序系统与神经网络
2019-06-19 v2 强关联电子
计算物理
摘要
获得精确的基态波函数是量子多体问题中的巨大挑战之一。在本文中,我们提出了一类新的波函数:神经网络回流(NNB)。由费曼开创的回流方法,通过以依赖于构型的方式变换单粒子轨道,为平均场基态添加关联。NNB 使用前馈神经网络寻找最优变换。NNB 直接修饰平均场态,可系统性改进,并直接改变波函数的符号结构。它推广了标准回流,我们展示了如何将其显式表示为 NNB。我们在中等掺杂的 Hubbard 模型上基准测试了 NNB,发现其显著降低了相对误差,恢复了可观测量与单粒子轨道的对称性,并降低了双占据密度。最后,我们展示了优化后神经网络中权重与偏置的有趣模式。
引用
@article{arxiv.1807.10770,
title = {Backflow Transformations via Neural Networks for Quantum Many-Body Wave-Functions},
author = {Di Luo and Bryan K. Clark},
journal= {arXiv preprint arXiv:1807.10770},
year = {2019}
}