用深度神经网络对混合量子态进行正定参数化
量子物理
2022-06-28 v1 机器学习
计算物理
摘要
我们引入了 Gram-Hadamard 密度算符（GHDO），这是一种新的深度神经网络架构，能够以多项式资源编码具有指数秩的正半定密度算符。然后我们展示了如何在 GHDO 中嵌入自回归结构，以允许对概率分布直接采样。这些性质在表示和与 environment 相互作用的系统的混合量子态并进行变分优化时尤为重要。最后，我们通过模拟耗散横场 Ising 模型的稳态来基准测试该架构。在估计局域可观测量和 R\'enyi 熵时，我们展示了相对于先前最先进变分方法的显著改进。
引用
@article{arxiv.2206.13488,
title = {Positive-definite parametrization of mixed quantum states with deep neural networks},
author = {Filippo Vicentini and Riccardo Rossi and Giuseppe Carleo},
journal= {arXiv preprint arXiv:2206.13488},
year = {2022}
}
备注
9 pages, 4 figures, 63 references