基于图神经拟设的可扩展变分蒙特卡洛
强关联电子
2020-11-26 v1 无序系统与神经网络
摘要
深度神经网络已被证明可作为变分蒙特卡洛中求解量子多体问题的一种潜在强大拟设。我们在此方向上提出两项改进。其一是图神经拟设（GNA），一种对任意几何通用的变分波函数。GNA 在 2D Kagome 晶格、三角晶格及随机连接图上给出了准确的基态能量。其次，我们设计了在多加速器上的分布式工作流以扩展计算规模。我们在 128 个 TPU 核上计算了尺寸最大达 432 个格点的 Kagome 晶格。GNA 的参数共享特性也带来了跨不同系统尺寸与几何的可迁移性。
引用
@article{arxiv.2011.12453,
title = {Scalable variational Monte Carlo with graph neural ansatz},
author = {Li Yang and Wenjun Hu and Li Li},
journal= {arXiv preprint arXiv:2011.12453},
year = {2020}
}
备注
9 pages, 3 figures, NeurIPS 2020 workshop on Machine Learning and the Physical Sciences