用卷积神经网络求解受阻挫的量子多体模型
强关联电子
2018-10-03 v2 计算物理
摘要
近来，基于受限玻尔兹曼机的机器学习在求解量子多体问题方面取得了显著进展。然而，利用机器学习求解受阻挫的模型仍然极具挑战性，迄今尚未有相关演示。本工作中，我们设计了一种全新的卷积神经网络（CNN）来求解此类量子多体问题。我们首次展示了通过 CNN 求解方格子上高度受阻挫的自旋-1/2 J-J 反铁磁海森堡模型。CNN 所达到的每格点能量甚至优于先前的弦键态计算。因此，我们的工作为利用机器学习求解具有挑战性的受阻挫量子多体问题开辟了一条新途径。
引用
@article{arxiv.1807.09422,
title = {Solving frustrated quantum many-particle models with convolutional neural networks},
author = {Xiao Liang and Wen-Yuan Liu and Pei-Ze Lin and Guang-Can Guo and Yong-Sheng Zhang and Lixin He},
journal= {arXiv preprint arXiv:1807.09422},
year = {2018}
}