基于高斯过程的数据高效光谱函数建模：对$ t-t'-t''-J $模型的应用
强关联电子
2026-05-08 v3 无序系统与神经网络
摘要
光谱函数编码了关键的许多体信息，但以高保真度计算成本较高。机器学习代理模型已成为强有力的替代方案，但许多方法需要大量训练数据集。我们开发了一个用于光谱函数的数据高效代理模型，使用模型，该模型描述了量子亚磁性体中一个空洞的运动。我们使用约个基于Lee、Carbone和Yin（Phys. Rev. B 107, 205132 (2023)）的自洽Born近似光谱，训练一个深层核高斯过程代理模型（DKL-SVGP），仅使用可用训练光谱的10%。我们将其与在相同减量子集上训练的前馈神经网络（FFNN）以及在完整数据集上训练的FFNN进行基准测试。该提出的DKL-SVGP模型在持续使用仅10%的训练光谱的情况下，始终优于使用减量数据的FFNN，并且尽管只使用10%的训练光谱，仍能实现与完整数据FFNN基准相当数量级的谱误差。最坏尾部诊断显示在处理困难光谱方面获得了更好的保真度，而峰值层面分析表明DKL-SVGP在恢复主导峰高度方面具有相当准确的精度，并在匹配峰值评估下改进了峰位一致性，该评估减轻了稀有峰位交换的情况。总体而言，这些结果突显了GP基于的代理模型在稀缺数据情境中作为竞争性且数据高效的方法，用于光谱函数预测。
关键词
引用
@article{arxiv.2603.13064,
title = {Data-efficient surrogate modeling of spectral functions using Gaussian processes: An application to the $t$-$t'$-$t''$-$J$ model},
author = {Sanket Jantre and Nathan M. Urban and Weiguo Yin and Niraj Aryal},
journal= {arXiv preprint arXiv:2603.13064},
year = {2026}
}
备注
6 figures