通过贝叶斯机器学习将极化子性质外推至低声子频率
量子物理
2024-05-08 v1 超导电性
摘要
精确量子计算的可行性往往受到数值计算所需的截断 Hilbert 空间维度的限制。本工作展示了贝叶斯机器学习 (ML) 模型，该模型利用有效低维 Hilbert 空间中的量子性质，对需要更大基组的 Hamiltonian 参数进行预测，并将其应用于量子统计力学中的一个经典问题——极化子问题。我们考虑了两种极化子模型：Su-Schrieffer-Heeger (SSH) 模型和混合 SSH-Holstein 模型。我们展示了能够在声子频率上外推极化子性质的 ML 模型。我们考虑了 SSH 极化子基态动量的尖锐转变，并研究了该转变从反绝热区到绝热区的演化。我们还展示了贝叶斯模型，该模型将高度近似的量子计算的后验分布作为更精确量子结果模型的先验分布。这极大地减少了在绘制感兴趣的全部 Hamiltonian 参数范围内的极化子色散关系所需的完全收敛量子计算的数量。
引用
@article{arxiv.2312.09991,
title = {Extrapolation of polaron properties to low phonon frequencies by Bayesian machine learning},
author = {Pranav Kairon and John Sous and Mona Berciu and Roman V. Krems},
journal= {arXiv preprint arXiv:2312.09991},
year = {2024}
}