用可迁移神经网络预测量子多体动力学
统计力学
2020-03-10 v3 强关联电子
计算物理
量子物理
摘要
卷积神经网络(CNNs)等机器学习(ML)架构在量子多体系统研究中近来受到相当关注。然而,迁移学习等先进 ML 方法很少应用于此类场景。本文证明,一种基于简单循环单元(SRU)的高效可迁移序列学习框架能够学习并准确预测同时具有横向与平行磁场的一维(1D)伊辛模型的时间演化,预测态与精确态分布之间的相对熵与磁化强度测量从定量上证实了这一点。以恒定计算复杂度为代价,仅从一个初始态以自回归方式预测了更大的多体态演化,而无需任何哈密顿量的引导或知识。我们的工作为未来仅利用较小系统知识将先进 ML 方法应用于量子多体动力学铺平了道路。
引用
@article{arxiv.1905.09168,
title = {Predicting quantum many-body dynamics with transferable neural networks},
author = {Zewang Zhang and Shuo Yang and Yi-hang Wu and Chenxi Liu and Yimin Han and Ching Hua Lee and Zheng Sun and Guangjie Li and Xiao Zhang},
journal= {arXiv preprint arXiv:1905.09168},
year = {2020}
}
备注
6 figures, 1 table, 8 pages