基于监督训练的前馈神经网络量子态用于次近邻伊辛模型
统计力学
2024-03-27 v2 量子气体
量子物理
摘要
不同的神经网络架构可通过无监督或有监督训练来表示量子态。我们探索并比较了前馈神经网络量子态监督训练的不同策略。我们在物质的不同相对前馈神经网络量子态的变体、不同超参数以及两种不同损失函数（我们分别称为\emph{均方误差}与\emph{重叠}）的性能进行了实证与比较评估。我们考虑次近邻伊辛模型因其相的多样性，并聚焦于其顺磁、铁磁和成对反铁磁相。我们观察到，在对神经网络进行重缩放的前提下，重叠损失函数允许在所有相中更好地训练模型。
引用
@article{arxiv.2305.03394,
title = {Supervised Training of Neural-Network Quantum States for the Next Nearest Neighbor Ising model},
author = {Zheyu Wu and Remmy Zen and Heitor P. Casagrande and Stéphane Bressan and Dario Poletti},
journal= {arXiv preprint arXiv:2305.03394},
year = {2024}
}