基于强化学习的量子多体晶格模型基态求解
量子物理
2021-04-13 v2 无序系统与神经网络
摘要
我们提出了在晶格上定义的量子多体力学模型基态求解问题的强化学习(RL)表述。我们证明，无符号问题的 stoquastic 哈密顿量可自然分解为随机动力学与代表奖励函数的势。该到 RL 的映射在连续时间与离散时间下均有建立：前者基于广义 Feynman-Kac 公式，后者基于薛定谔方程的随机表示。我们讨论了此映射在量子态神经表示中的应用，阐明了相较于直接表示系统波函数方法的优势。
引用
@article{arxiv.2012.07063,
title = {Ground States of Quantum Many Body Lattice Models via Reinforcement Learning},
author = {Willem Gispen and Austen Lamacraft},
journal= {arXiv preprint arXiv:2012.07063},
year = {2021}
}
备注
Accepted at MSML2021