在崎岖神经网络景观中学习非斯托奎斯特量子哈密顿量的基态
计算物理
2021-06-18 v3 量子气体
强关联电子
量子物理
摘要
由非斯托奎斯特哈密顿量描述的强相互作用量子系统展现出丰富的低温物理。然而，即便对最先进的数值技术而言，其研究也构成巨大挑战。本文中，我们通过考虑方晶格上受挫自旋- 海森堡模型，系统性地考察了一类基于人工神经网络的通用变分波函数的性能。聚焦于无物理信息输入的神经网络架构，我们主张采用由两个解耦实值网络组成的 ansatz，分别用于变分波函数的振幅与相位。通过引入针对随机重配位算法中固有数值不稳定性的具体缓解策略，我们获得的变分能量可与近期结合物理系统知识的神经网络所报道者相媲美。通过对算法各组成部分的详细分析，我们得出结论：能量景观的崎岖性是寻求基态波函数满意近似的主要障碍，并阻碍了对正确符号结构的学习。特别地，我们表明在当前设定下，神经网络表达力与蒙特卡洛采样并非主要限制因素。
引用
@article{arxiv.2011.11214,
title = {Learning the ground state of a non-stoquastic quantum Hamiltonian in a rugged neural network landscape},
author = {Marin Bukov and Markus Schmitt and Maxime Dupont},
journal= {arXiv preprint arXiv:2011.11214},
year = {2021}
}