基于神经热场的热态实时量子动力学
量子物理
2024-05-24 v2 其他凝聚态物理
计算物理
摘要
求解含时量子多体薛定谔方程是一项艰巨任务，尤其对于有限温度下的态，此时环境会影响动力学。大多数现有近似方法旨在表示静态热密度矩阵、一维系统和/或零温态。本工作中，我们提出一种基于热场动力学、变分蒙特卡洛和神经网络量子态来研究二维热态实时动力学的方法。为此，我们引入两种新工具：（i）一种从无限温度精确模拟任意量子变分态冷却过程的流程，以及（ii）一种通用的热（自回归）循环神经网络（ARNNO）拟设，允许利用热场基旋转从密度矩阵直接采样。我们将该技术应用于受额外纵向场作用的横场伊辛模型，并证明含时可观测量（包括关联算符）可在4x4自旋晶格上被精确复现。我们对超出精确模拟范围的6x6晶格上的实时动力学给出了预测。
引用
@article{arxiv.2309.07063,
title = {Real-time quantum dynamics of thermal states with neural thermofields},
author = {Jannes Nys and Zakari Denis and Giuseppe Carleo},
journal= {arXiv preprint arXiv:2309.07063},
year = {2024}
}