用于学习量子多体系统基态的格子卷积网络
量子物理
2022-06-16 v1 人工智能
机器学习
摘要
深度学习方法已被证明能有效地表示量子多体系统的基态波函数。现有方法对平方晶格使用卷积神经网络（CNNs），因其具有类图像结构。对于非平方晶格，现有方法使用图神经网络（GNN），其中结构信息未被精确捕捉，从而需要额外的手工子晶格编码。本工作中，我们提出格子卷积，其中使用一组所提操作将非平方晶格转换为类网格的增广晶格，从而可应用常规卷积。基于所提格子卷积，我们设计了使用自门控与注意力机制的格子卷积网络（LCN）。实验结果表明，在平方、蜂窝、三角与风筝（kagome）晶格上的自旋1/2 - Heisenberg模型上，我们的方法取得了与现有方法相当或更好的性能，且无需使用手工编码。
引用
@article{arxiv.2206.07370,
title = {Lattice Convolutional Networks for Learning Ground States of Quantum Many-Body Systems},
author = {Cong Fu and Xuan Zhang and Huixin Zhang and Hongyi Ling and Shenglong Xu and Shuiwang Ji},
journal= {arXiv preprint arXiv:2206.07370},
year = {2022}
}