利用机器学习预测杂质谱函数
强关联电子
2021-06-23 v1 量子物理
摘要
Anderson 杂质模型（AIM）是量子多体物理学的经典模型。本文研究机器学习模型（包括神经网络（NN）与核岭回归（KRR））是否能在 AIM 的所有区间——从空轨道、混合价态到 Kondo 区——准确预测其谱函数。为探讨此问题，我们构建了两个大型谱数据库，分别包含约 41 万与 60 万条单通道杂质问题的谱函数。我们表明 NN 模型能在 AIM 所有区间准确预测谱函数，逐点平均绝对误差在低至归一化单位 0.003。我们发现训练后的 NN 模型优于基于 KRR 的模型，并相较传统 AIM 求解器获得约 倍的加速。通过在 AIM 参数空间中使用最远点采样，可显著缩减模型所需训练集规模，这对于将本方法推广至与真实材料性质相关的更复杂多通道杂质问题至关重要。
引用
@article{arxiv.2011.10719,
title = {Predicting impurity spectral functions using machine learning},
author = {Erica J. Sturm and Matthew R. Carbone and Deyu Lu and Andreas Weichselbaum and Robert M. Konik},
journal= {arXiv preprint arXiv:2011.10719},
year = {2021}
}
备注
31 pages, 27 figures, 5 tables