基于深度神经网络的高精度变分蒙特卡洛用于阻挫磁体
强关联电子
2023-09-25 v2 计算物理
量子物理
摘要
我们展示了基于极深（4–16 层）神经网络的神经量子态能够在高度阻挫量子磁体（包括量子自旋液体候选材料）上超越最先进的变分方法。我们聚焦于群卷积神经网络（GCNNs），其允许我们在试探波函数中强加空间群对称性。我们在方格与三角格上的 Heisenberg 模型中取得了最先进的基态能量，涵盖有序与自旋液体相，并讨论了在非平凡对称扇区中访问低能激发态的方法。我们还计算了三角格上量子顺磁相的自旋与二聚体关联函数，其未显示出常规或价键序。
引用
@article{arxiv.2211.07749,
title = {High-accuracy variational Monte Carlo for frustrated magnets with deep neural networks},
author = {Christopher Roth and Attila Szabó and Allan MacDonald},
journal= {arXiv preprint arXiv:2211.07749},
year = {2023}
}
备注
12 pages, 8 figures