基于Behler-Parrinello神经网络的自我学习蒙特卡洛方法
强关联电子
2020-03-11 v3 计算物理
摘要
我们提出了在自我学习蒙特卡洛方法（SLMC）中构造有效哈密顿量的通用方式，该方法通过训练有效模型以在马尔可夫链中提出不相关构型来加速蒙特卡洛模拟。然而其应用受限，这是因为找到有效哈密顿量的显式形式并非易事。特别是，难以构造包含多体相互作用的可训练有效哈密顿量。为克服这一关键困难，我们引入Behler-Parrinello神经网络（BPNNs）作为“有效哈密顿量”而无需任何先验知识，该网络被用于为分子动力学中相互作用多粒子系统构造势能面。我们通过关注哈密顿量的可除性将SLMC与BPNN结合，并提出如何构造逐元构型。我们将其应用于量子杂质模型。我们观察到接受率从0.01（显式形式有效哈密顿量）显著提高到0.76（BPNN）。这一剧烈改善意味着BPNN有效哈密顿量包含了显式形式有效哈密顿量中所忽略的多体相互作用。BPNN使SLMC更具前景。
引用
@article{arxiv.1807.04955,
title = {Self-learning Monte Carlo method with Behler-Parrinello neural networks},
author = {Yuki Nagai and Masahiko Okumura and Akinori Tanaka},
journal= {arXiv preprint arXiv:1807.04955},
year = {2020}
}
备注
14 pages, 5 figures