基于高效神经网络的变分蒙特卡洛方案用于受阻量子系统中激发能态的直接优化
强关联电子
2020-08-12 v1 无序系统与神经网络
摘要
我们考察了价键基关联乘积态拟设（等价于受限玻尔兹曼机量子人工神经网络拟设）以及变分蒙特卡洛方法对激发能态的直接优化在强关联与受阻量子系统性质研究中的适用性。通过随机最小化激发能态的变分函数求得能量本征态，从而可在不知晓低能态的情况下直接优化特定能态。该方法与众多张量网络或人工神经网络拟设波函数相结合，可通过考虑这些系统超越基态性质的性质，进一步洞察各种强关联模型中的量子相与相变。此外，该方法一般适用于任意维度且无符号不稳定性。我们考虑的一个例子是方格 J1-J2 反铁磁海森堡模型。该模型是受阻量子磁学中被研究最多的模型之一，因为它与高温超导体中反铁磁序的消失密切相关，且对于 J2/J1 = 0.5 附近高度受阻区中系统的性质仍无共识。对于 J1-J2 模型，我们以双格点关联子和价键基写出变分拟设，并计算了 J2/J1 = 0.5 附近高度受阻区（系统具有顺磁相）的最低能本征态。我们发现结果与先前所得结果吻合良好，证实了该方法研究受阻自旋系统的适用性。
引用
@article{arxiv.2002.09246,
title = {Efficient neural-network based variational Monte Carlo scheme for direct optimization of excited energy states in frustrated quantum systems},
author = {Tanja Duric and Tomislav Seva},
journal= {arXiv preprint arXiv:2002.09246},
year = {2020}
}
备注
9 pages and 6 figures