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机器和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：
- https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.121.167204
- Kenny Choo et al.
- Phys. Rev. Lett. 121, 167204 (2018)
声明： 此内容仅代表作者观点，量子客仅提供内容展示平台。出于传递高质量信息之目的，若来源标注错误或侵权，请作者持权属证明与我们联系，原创文章转载需授权。
