神经网络量子态的对称性和多体激发

导读:

人工神经网络最近被引入作为表示多体波函数的一般假设。结合变分蒙特卡罗计算,这个假设已被应用于寻找哈密顿量基态及其能量。在这里,Choo等人提出这种方法的扩展来研究激发态,这是几个多体量子计算的核心任务。首先,他们给出一个策略,允许他们定位哈密顿量的(非局域)对称性的本征态。其次,他们给出了一种算法来计算没有对称性的低位激发态。他们通过约束Boltzmann机器前馈神经网络都验证了他们的方法,给出了一维spin-1/2 Heisenberg模型和一维Bose-Hubbard模型的结果。与精确结果进行比较,他们获得了大范围激发态能量的良好一致性。有趣的是,他们发现深层网络通常优于高能态的浅层架构。

原文链接: