复杂多体物理的变分自编码器重构
量子物理
2019-11-11 v1 统计力学
摘要
鉴于研究真实系统及其与环境耦合（约束其动力学）的数学模型复杂性显著增加，基于这些模型的解析方法和数值方法在范围或适用性上均显现出局限。另一方面，机器学习即数据驱动的方法，被证明对复杂量子系统的研究日益高效。尤其是深度神经网络已成功应用于多体量子动力学模拟与量子物质相表征。在本工作中，我们展示如何使用变分自编码器（VAE）——深度学习领域中用于模拟复杂系统概率分布的先进工具。更确切地说，我们利用信息完备正算子值测度，将多体态重构的量子力学问题转化为适于 VAE 的统计问题。我们以横磁场中的范式量子伊辛模型表明，借助对层析数据的 VAE 学习，可重构整类量子多体系统的基态物理（例如磁化及可观测量其他均值），适用于哈密顿量的不同参数，即便系统经历量子相变亦然。我们也讨论了与我们的方法相关的挑战，如熵计算带来特殊困难。
引用
@article{arxiv.1910.03957,
title = {Variational autoencoder reconstruction of complex many-body physics},
author = {I. Luchnikov and A. Ryzhov and P. -J. C. Stas and S. N. Filippov and H. Ouerdane},
journal= {arXiv preprint arXiv:1910.03957},
year = {2019}
}