非均匀关联量子系统中空间密度的深度学习

机器学习在改进量子多体系统处理方面取得了重要进展。一个特别相关的领域是关联非均匀系统。迄今为止所缺失的是一种通用的、可扩展的深度学习方法，能够对任意势中的强关联系统的空间密度进行快速预测。在这项工作中，我们提出了一种直接的方案，利用在随机势上训练的卷积神经网络学习预测密度。虽然我们在 1D 和 2D 晶格模型中使用来自 Quantum Monte Carlo 等数值技术的数据演示了该方法，但它也可直接应用于由实验量子模拟器获得的训练数据。我们训练的网络能同时预测多个可观测量的密度，并能对任意系统尺寸的整类多体晶格模型进行预测。我们展示了我们的方法能很好地处理干涉与相互作用的相互影响，以及非均匀情形下具有相变模型的行为，并且我们还说明了求解逆问题的能力，即为期望的密度寻找势。