用于杂质模型的视觉Transformer神经量子态
强关联电子
2024-08-26 v1
摘要
Transformer神经网络以其在高维数据中识别复杂模式的能力而闻名，为捕捉量子系统中的多体关联提供了一个有前景的框架。我们采用了一种改进的视觉Transformer（ViT）架构来建模量子杂质模型，并通过子空间扩展方案对其进行优化，该方案在精度和效率上均超越了传统的变分蒙特卡洛方法。针对单轨道和三轨道安德森杂质模型，与矩阵乘积态的基准测试表明，这些基于ViT的神经量子态在显著减少变分参数的情况下达到了相当或更优的精度。我们进一步将方法扩展到计算动力学量，通过构建一个受限的激发空间来有效捕捉相关的物理过程，从而得到精确的芯能级X射线吸收谱。这些发现突显了基于ViT的神经量子态在精确高效建模量子杂质模型方面的潜力。
引用
@article{arxiv.2408.13050,
title = {Vision Transformer Neural Quantum States for Impurity Models},
author = {Xiaodong Cao and Zhicheng Zhong and Yi Lu},
journal= {arXiv preprint arXiv:2408.13050},
year = {2024}
}