由机器学习辅助的量子多体性质证书

在物理与优化中经常会遇到计算上难解的任务。此类任务通常包含一个在所谓可行集上优化的代价函数，而该可行集由一组约束指定。一般而言，这可能导致困难且非凸的优化任务。人们使用若干标准方法来应对此类问题：变分方法侧重于在可行集内对解的子类进行参数化；相反，松弛技术被提出用于从外部逼近可行集，从而通过提供全局最优解的最终界来补充变分方法。在本工作中，我们提出一种将松弛技术的威力与深度强化学习相结合的新方法，以在有限计算预算内寻找尽可能好的界。我们在寻找多体量子系统基态能量这一量子物理中的典型问题中说明了该方法的可行性。我们将我们的方法与广度优先搜索或Monte-Carlo等其他经典优化算法进行基准比较，并刻画了迁移学习的效果。我们发现后者可在完全自主的方法下指示相变。最后，我们提供了将该方法和泛化到量子信息处理领域中其他常见应用的工具。