利用循环神经网络研究拓扑序
强关联电子
2023-10-27 v3 无序系统与神经网络
机器学习
计算物理
量子物理
摘要
循环神经网络（RNNs）最初为自然语言处理而开发，在准确描述强关联量子多体系统方面具有巨大潜力。在此，我们采用二维RNN研究两个展现拓扑序的原型量子多体哈密顿量。具体而言，我们通过估计其拓扑纠缠熵，证明RNN波函数能有效捕捉环面码（toric code）和kagome晶格上Bose-Hubbard自旋液体的拓扑序。我们还发现，RNN偏向于最小纠缠态的相干叠加，而非最小纠缠态本身。总体而言，我们的发现表明RNN波函数构成了研究超越Landau对称性破缺范式物质相的有力工具。
引用
@article{arxiv.2303.11207,
title = {Investigating Topological Order using Recurrent Neural Networks},
author = {Mohamed Hibat-Allah and Roger G. Melko and Juan Carrasquilla},
journal= {arXiv preprint arXiv:2303.11207},
year = {2023}
}
备注
15 pages, 6 figures, 2 tables. Published version in Physical Review B