横场伊辛模型的神经网络量子态
无序系统与神经网络
2020-01-08 v1 统计力学
摘要
沿着 Carleo 和 Troyer [1] 开创的路径，我们通过无监督机器学习方法构建了横场伊辛模型（TFIM）的神经网络量子态。该波函数是从自旋构型空间到由一组网络参数决定的复数域的映射。为获得系统的基态，网络参数的值通过随机重配置（SR）方法计算。我们从作用量原理和信息几何的角度对该 SR 方法给出了理解。利用该量子态，我们计算了系统的关键可观测量：能量、关联函数、关联长度、磁矩和磁化率。作为创新点，我们提供了一种高效方法并用其计算系统的纠缠熵（EE），所得结果与先前工作非常一致。
引用
@article{arxiv.1905.11066,
title = {Neural-network Quantum State of Transverse-field Ising Model},
author = {Han-qing Shi and Xiao-yue Sun and Ding-fang Zeng},
journal= {arXiv preprint arXiv:1905.11066},
year = {2020}
}
备注
8 pages, 6 figures, accepted to publish in Commun. Theor. Phys