在新一代神威超级计算机上弥合深度学习与受阻量子自旋系统间鸿沟以实现极致规模模拟
强关联电子
2022-06-17 v4 无序系统与神经网络
计算物理
摘要
高效数值方法是揭示物理迷人特性（如高度受阻量子多体系统）独特见解的有力工具。然而，用于精确描述量子态的波函数计算复杂度随粒子数呈指数增长。在此，我们提出一种新颖的卷积神经网络（CNN）用于模拟二维高度受阻自旋- Heisenberg 模型，同时该模拟在极致规模系统上以低成本和高可扩展性执行。通过巧妙运用迁移学习和 CNN 的平移不变性，我们成功在新一代神威超级计算机多达 3000 万核上研究了晶格尺寸达 的量子系统。最终成果证明了基于 CNN 的量子态表示的有效性，并将最先进水平从卓越精度和空前尺度两方面提升至全新高度。
引用
@article{arxiv.2108.13830,
title = {Bridging the Gap between Deep Learning and Frustrated Quantum Spin System for Extreme-scale Simulations on New Generation of Sunway Supercomputer},
author = {Mingfan Li and Junshi Chen and Qian Xiao and Qingcai Jiang and Xuncheng Zhao and Rongfen Lin and Fei Wang and Hong An and Xiao Liang and Lixin He},
journal= {arXiv preprint arXiv:2108.13830},
year = {2022}
}
备注
This paper reviews the technical details of calculating spin-1/2 J1-J2 model using convolutional neural network ansatz on Sunway Supercomputer