利用条件生成对抗网络设计量子多体物质
强关联电子
2022-11-15 v3 无序系统与神经网络
介观与纳米尺度物理
摘要
量子多体系统动力学关联函数的计算是凝聚态物理中一个开放的严峻挑战。尽管近年来出现了强有力的方法，但对于大多数具有复杂构型空间的多体系统，覆盖全参数空间仍不可行。在此我们证明，条件生成对抗网络（GANs）允许模拟若干多体系统的全参数空间，同时考虑受控参数与随机无序效应。在用一组受限的含噪多体计算训练后，条件GAN算法可瞬时给出哈密顿量的整个动力学激发谱，且精度与精确计算相当。我们进一步展示，训练好的条件GAN如何自动提供从动力学激发进行哈密顿量学习的强有力方法，并通过离群点检测标记非物理系统。我们的方法将生成对抗学习推向前台，作为探索复杂多体现象的有力技术，为设计大规模量子多体物质提供了起点。
引用
@article{arxiv.2201.12127,
title = {Designing quantum many-body matter with conditional generative adversarial networks},
author = {Rouven Koch and Jose L. Lado},
journal= {arXiv preprint arXiv:2201.12127},
year = {2022}
}