Institut for Fysik, King's College London, Strand, London WC2R 2LS, Storbritannien
Finder du denne artikel interessant eller vil du diskutere? Scite eller efterlade en kommentar på SciRate.
Abstrakt
Vi præsenterer en generaliseret ramme for at tilpasse universelle kvantetilstandstilnærmere, hvilket gør dem i stand til at tilfredsstille streng normalisering og autoregressive egenskaber. Vi introducerer også filtre som analoger til foldningslag i neurale netværk for at inkorporere translationelt symmetriserede korrelationer i vilkårlige kvantetilstande. Ved at anvende denne ramme til den Gaussiske procestilstand håndhæver vi autoregressive og/eller filteregenskaber, analyserer virkningen af de resulterende induktive skævheder på variationsfleksibilitet, symmetrier og bevarede mængder. Ved at gøre det samler vi forskellige autoregressive tilstande under en samlet ramme for maskinlæringsinspireret ansätze. Vores resultater giver indsigt i, hvordan den autoregressive konstruktion påvirker en variationsmodels evne til at beskrive korrelationer i spin og fermioniske gittermodeller, samt ab $initio$ elektroniske strukturproblemer, hvor valget af repræsentation påvirker nøjagtigheden. Vi konkluderer, at mens den muliggør effektiv og direkte sampling, og dermed undgår autokorrelation og tab af ergodicitetsproblemer i Metropolis-sampling, begrænser den autoregressive konstruktion væsentligt modellens ekspressivitet i mange systemer.
Populært resumé
Omhyggeligt design af surrogatmodellen har dog vigtige konsekvenser i forhold til nøjagtigheden af tilnærmelsen og effektiviteten af optimeringsproceduren. I dette arbejde ser vi under motorhjelmen på en bestemt klasse af disse maskinlæringsinspirerede tilstande kendt som autoregressive modeller, som for nylig er blevet populært på grund af deres succes inden for billedgenkendelse og fordelagtige samplingsegenskaber. Vi viser, hvordan mere generelle klasser af stater kan arve denne egenskab, og skiller ud, hvordan forskellige designvalg påvirker ydeevnen af disse modeller.
Gennem vores analyse og anvendelse på grundtilstande af en række kvante-mange-kropsproblemer, finder vi ud af, at der er en omkostning at betale for den autoregressive egenskab i form af dens ultimative fleksibilitet til at beskrive disse tilstande med et fast antal parametre. Med vores arbejde håber vi at kaste lys over vigtige designvalg, der er nødvendige for udviklingen af stadig mere kraftfulde surrogatmodeller til bølgefunktionen af interagerende kvantepartikler.
► BibTeX-data
► Referencer
[1] Daniel P. Arovas, Erez Berg, Steven Kivelson og Srinivas Raghu. Hubbard-modellen. Annual Review of Condensed Matter Physics, 13 (1): 239-274, marts 2022. ISSN 1947-5454, 1947-5462. 10.1146/annurev-conmatphys-031620-102024.
https:///doi.org/10.1146/annurev-conmatphys-031620-102024
[2] Thomas D. Barrett, Aleksei Malyshev og AI Lvovsky. Autoregressive neurale netværksbølgefunktioner til ab initio kvantekemi. Nature Machine Intelligence, 4 (4): 351–358, april 2022. ISSN 2522-5839. 10.1038/s42256-022-00461-z.
https:///doi.org/10.1038/s42256-022-00461-z
[3] Sam Bond-Taylor, Adam Leach, Yang Long og Chris G. Willcocks. Dyb generativ modellering: En sammenlignende gennemgang af VAE'er, GAN'er, normaliserende flows, energibaserede og autoregressive modeller. IEEE Transactions on Pattern Analysis and Machine Intelligence, 44 (11): 7327–7347, november 2022. ISSN 1939-3539. 10.1109/TPAMI.2021.3116668.
https:///doi.org/10.1109/TPAMI.2021.3116668
[4] Artem Borin og Dmitry A. Abanin. Tilnærmelsesvis kraft af maskinlærings-ansatz for kvante-mange-kropstilstande. Physical Review B, 101 (19): 195141, maj 2020. 10.1103/PhysRevB.101.195141.
https:///doi.org/10.1103/PhysRevB.101.195141
[5] Sergey Bravyi, Giuseppe Carleo, David Gosset og Yinchen Liu. En hurtigt blandende Markov-kæde fra ethvert gabende kvante-mange-krop-system. Quantum, 7: 1173, november 2023. 10.22331/q-2023-11-07-1173.
https://doi.org/10.22331/q-2023-11-07-1173
[6] Marin Bukov, Markus Schmitt og Maxime Dupont. At lære grundtilstanden for en ikke-stoquastisk kvante Hamiltonian i et robust neuralt netværkslandskab. SciPost Physics, 10 (6): 147, juni 2021. ISSN 2542-4653. 10.21468/SciPostPhys.10.6.147.
https:///doi.org/10.21468/SciPostPhys.10.6.147
[7] Giuseppe Carleo og Matthias Troyer. Løsning af kvantemange-kropsproblemet med kunstige neurale netværk. Science, 355 (6325): 602–606, februar 2017. 10.1126/science.aag2302.
https://doi.org/10.1126/science.aag2302
[8] Giuseppe Carleo, Kenny Choo, Damian Hofmann, James ET Smith, Tom Westerhout, Fabien Alet, Emily J. Davis, Stavros Efthymiou, Ivan Glasser, Sheng-Hsuan Lin, Marta Mauri, Guglielmo Mazzola, Christian B. Mendl, Evert van Nieuwenburg, Ossian O'Reilly, Hugo Théveniaut, Giacomo Torlai, Filippo Vicentini og Alexander Wietek. NetKet: Et maskinlæringsværktøj til kvantesystemer med mange kroppe. SoftwareX, 10: 100311, juli 2019. ISSN 2352-7110. 10.1016/j.softx.2019.100311.
https:///doi.org/10.1016/j.softx.2019.100311
[9] Juan Carrasquilla, Giacomo Torlai, Roger G. Melko og Leandro Aolita. Rekonstruering af kvantetilstande med generative modeller. Nature Machine Intelligence, 1 (3): 155-161, marts 2019. ISSN 2522-5839. 10.1038/s42256-019-0028-1.
https://doi.org/10.1038/s42256-019-0028-1
[10] Giovanni Cataldi, Ashkan Abedi, Giuseppe Magnifico, Simone Notarnicola, Nicola Dalla Pozza, Vittorio Giovannetti og Simone Montangero. Hilbert-kurve vs Hilbert-rum: Udnyttelse af fraktal 2D-dækning for at øge tensor-netværkseffektiviteten. Quantum, 5: 556, september 2021. 10.22331/q-2021-09-29-556.
https://doi.org/10.22331/q-2021-09-29-556
[11] Ao Chen og Markus Heyl. Effektiv optimering af dybe neurale kvantetilstande mod maskinpræcision, februar 2023.
arXiv: 2302.01941
[12] Zhuo Chen, Laker Newhouse, Eddie Chen, Di Luo og Marin Soljacic. ANTN: Bridging Autoregressive Neural Networks and Tensor Networks for Quantum Many-Body Simulation. I 2023. konference om neurale informationsbehandlingssystemer, november XNUMX.
[13] Kenny Choo, Titus Neupert og Giuseppe Carleo. Todimensionel frustreret $J_{1}-J_{2}$ model studeret med neurale netværks kvantetilstande. Physical Review B, 100 (12): 125124, september 2019. 10.1103/PhysRevB.100.125124.
https:///doi.org/10.1103/PhysRevB.100.125124
[14] Kenny Choo, Antonio Mezzacapo og Giuseppe Carleo. Fermioniske neurale netværkstilstande for ab-initio elektronisk struktur. Nature Communications, 11 (1): 2368, maj 2020. ISSN 2041-1723. 10.1038/s41467-020-15724-9.
https://doi.org/10.1038/s41467-020-15724-9
[15] Stephen R. Clark. Forening af neurale netværks kvantetilstande og korrelatorprodukttilstande via tensornetværk. Journal of Physics A: Mathematical and Theoretical, 51 (13): 135301, februar 2018. ISSN 1751-8121. 10.1088/1751-8121/aaaaf2.
https://doi.org/10.1088/1751-8121/aaaaf2
[16] Dong-Ling Deng, Xiaopeng Li og S. Das Sarma. Kvantesammenfiltring i neurale netværksstater. Physical Review X, 7 (2): 021021, maj 2017. 10.1103/PhysRevX.7.021021.
https:///doi.org/10.1103/PhysRevX.7.021021
[17] Kaelan Donatella, Zakari Denis, Alexandre Le Boité og Cristiano Ciuti. Dynamik med autoregressive neurale kvantetilstande: Anvendelse til kritisk slukningsdynamik. Physical Review A, 108 (2): 022210, august 2023. 10.1103/PhysRevA.108.022210.
https:///doi.org/10.1103/PhysRevA.108.022210
[18] J. Eisert, M. Cramer og MB Plenio. Områdelove for sammenfiltringsentropien. Reviews of Modern Physics, 82 (1): 277–306, februar 2010. 10.1103/RevModPhys.82.277.
https:///doi.org/10.1103/RevModPhys.82.277
[19] JM Foster og SF Boys. Kanonisk konfigurationsinteraktionsprocedure. Reviews of Modern Physics, 32 (2): 300–302, april 1960. 10.1103/RevModPhys.32.300.
https:///doi.org/10.1103/RevModPhys.32.300
[20] Clemens Giuliani, Filippo Vicentini, Riccardo Rossi og Giuseppe Carleo. Lær grundtilstande for gappede kvante Hamiltonianere med kernemetoder. Quantum, 7: 1096, august 2023. 10.22331/q-2023-08-29-1096.
https://doi.org/10.22331/q-2023-08-29-1096
[21] Aldo Glielmo, Yannic Rath, Gábor Csányi, Alessandro De Vita og George H. Booth. Gaussiske procestilstande: En datadrevet repræsentation af kvante-mangelegemefysik. Physical Review X, 10 (4): 041026, november 2020. 10.1103/PhysRevX.10.041026.
https:///doi.org/10.1103/PhysRevX.10.041026
[22] Johannes Hachmann, Wim Cardoen og Garnet Kin-Lic Chan. Multireferencekorrelation i lange molekyler med den kvadratiske skaleringsdensitetsmatrixrenormaliseringsgruppe. The Journal of Chemical Physics, 125 (14): 144101, oktober 2006. ISSN 0021-9606. 10.1063/1.2345196.
https:///doi.org/10.1063/1.2345196
[23] Jan Hermann, Zeno Schätzle og Frank Noé. Deep-neural-netværksløsning af den elektroniske Schrödinger-ligning. Nature Chemistry, 12 (10): 891-897, oktober 2020. ISSN 1755-4349. 10.1038/s41557-020-0544-y.
https:///doi.org/10.1038/s41557-020-0544-y
[24] Jan Hermann, James Spencer, Kenny Choo, Antonio Mezzacapo, WMC Foulkes, David Pfau, Giuseppe Carleo og Frank Noé. Ab initio kvantekemi med neurale netværksbølgefunktioner. Nature Reviews Chemistry, 7 (10): 692–709, oktober 2023. ISSN 2397-3358. 10.1038/s41570-023-00516-8.
https://doi.org/10.1038/s41570-023-00516-8
[25] Mohamed Hibat-Allah, Martin Ganahl, Lauren E. Hayward, Roger G. Melko og Juan Carrasquilla. Tilbagevendende neurale netværksbølgefunktioner. Physical Review Research, 2 (2): 023358, juni 2020. 10.1103/PhysRevResearch.2.023358.
https:///doi.org/10.1103/PhysRevResearch.2.023358
[26] Mohamed Hibat-Allah, Roger G. Melko og Juan Carrasquilla. Supplerer tilbagevendende neurale netværksbølgefunktioner med symmetri og annealing for at forbedre nøjagtigheden, juli 2022.
[27] Mohamed Hibat-Allah, Roger G. Melko og Juan Carrasquilla. Undersøgelse af topologisk orden ved hjælp af tilbagevendende neurale netværk. Physical Review B, 108 (7): 075152, august 2023. 10.1103/PhysRevB.108.075152.
https:///doi.org/10.1103/PhysRevB.108.075152
[28] Hinton, Geoffrey, Srivastava, Nitish og Swersky, Kevin. Forelæsning 6a: Oversigt over mini-batch gradient descent, 2012.
[29] Damian Hofmann, Giammarco Fabiani, Johan Mentink, Giuseppe Carleo og Michael Sentef. Rolle af stokastisk støj og generaliseringsfejl i tidsudbredelsen af neurale netværks kvantetilstande. SciPost Physics, 12 (5): 165, maj 2022. ISSN 2542-4653. 10.21468/SciPostPhys.12.5.165.
https:///doi.org/10.21468/SciPostPhys.12.5.165
[30] Bjarni Jónsson, Bela Bauer og Giuseppe Carleo. Neurale netværkstilstande til den klassiske simulering af kvanteberegning, august 2018.
[31] Diederik P. Kingma og Jimmy Ba. Adam: En metode til stokastisk optimering, januar 2017.
[32] King's College London e-Research team. King's Computational Research, Engineering and Technology Environment (CREATE), 2022. URL https:///doi.org/10.18742/rnvf-m076.
https:///doi.org/10.18742/rnvf-m076
[33] Dmitrii Kochkov og Bryan K. Clark. Variationsoptimering i AI-æraen: Computational Graph States and Supervised Wave-function Optimization. arXiv:1811.12423 [cond-mat, fysik:fysik], november 2018.
arXiv: 1811.12423
[34] Chu-Cheng Lin, Aaron Jaech, Xin Li, Matthew R. Gormley og Jason Eisner. Begrænsninger af autoregressive modeller og deres alternativer. I Proceedings of the 2021 Conference of the North American Chapter of Association for Computational Linguistics: Human Language Technologies, side 5147–5173, Online, juni 2021. Association for Computational Linguistics. 10.18653/v1/2021.naacl-main.405.
https:///doi.org/10.18653/v1/2021.naacl-main.405
[35] Sheng-Hsuan Lin og Frank Pollmann. Skalering af neural-netværks kvantetilstande til tidsevolution. physica status solidi (b), 259 (5): 2100172, 2022. ISSN 1521-3951. 10.1002/pssb.202100172.
https:///doi.org/10.1002/pssb.202100172
[36] Alessandro Lovato, Corey Adams, Giuseppe Carleo og Noemi Rocco. Skjulte nukleoner neural-netværk kvantetilstande for det nukleare mange-legeme-problem. Physical Review Research, 4 (4): 043178, december 2022. 10.1103/PhysRevResearch.4.043178.
https:///doi.org/10.1103/PhysRevResearch.4.043178
[37] Di Luo, Zhuo Chen, Juan Carrasquilla og Bryan K. Clark. Autoregressivt neuralt netværk til simulering af åbne kvantesystemer via en probabilistisk formulering. Physical Review Letters, 128 (9): 090501, februar 2022. 10.1103/PhysRevLett.128.090501.
https:///doi.org/10.1103/PhysRevLett.128.090501
[38] Di Luo, Zhuo Chen, Kaiwen Hu, Zhizhen Zhao, Vera Mikyoung Hur og Bryan K. Clark. Gauge-invariant og anyonic-symmetrisk autoregressivt neuralt netværk til kvantegittermodeller. Physical Review Research, 5 (1): 013216, marts 2023. 10.1103/PhysRevResearch.5.013216.
https:///doi.org/10.1103/PhysRevResearch.5.013216
[39] Aleksei Malyshev, Juan Miguel Arrazola og AI Lvovsky. Autoregressive neurale kvantetilstande med kvantetalsymmetrier, oktober 2023.
[40] Matija Medvidović og Giuseppe Carleo. Klassisk variationssimulering af Quantum Approximate Optimization Algorithm. npj Quantum Information, 7 (1): 1-7, juni 2021. ISSN 2056-6387. 10.1038/s41534-021-00440-z.
https:///doi.org/10.1038/s41534-021-00440-z
[41] Yusuke Nomura. Hjælper begrænsede Boltzmann-maskiner med kvantetilstandsrepræsentation ved at genoprette symmetri. Journal of Physics: Condensed Matter, 33 (17): 174003, april 2021. ISSN 0953-8984. 10.1088/1361-648X/abe268.
https://doi.org/10.1088/1361-648X/abe268
[42] Yusuke Nomura og Masatoshi Imada. Dirac-type Nodal Spin Liquid afsløret af raffineret kvante-mangekropsløser ved hjælp af neural-netværksbølgefunktion, korrelationsforhold og niveauspektroskopi. Physical Review X, 11 (3): 031034, august 2021. 10.1103/PhysRevX.11.031034.
https:///doi.org/10.1103/PhysRevX.11.031034
[43] David Pfau, James S. Spencer, Alexander GDG Matthews og WMC Foulkes. Ab initio løsning af mange-elektron Schrödinger-ligningen med dybe neurale netværk. Physical Review Research, 2 (3): 033429, september 2020. 10.1103/PhysRevResearch.2.033429.
https:///doi.org/10.1103/PhysRevResearch.2.033429
[44] Yannic Rath og George H. Booth. Kvante Gaussisk procestilstand: En kerne-inspireret tilstand med kvantestøttedata. Physical Review Research, 4 (2): 023126, maj 2022. 10.1103/PhysRevResearch.4.023126.
https:///doi.org/10.1103/PhysRevResearch.4.023126
[45] Yannic Rath og George H. Booth. Ramme for effektiv ab initio elektronisk struktur med Gaussiske processtater. Physical Review B, 107 (20): 205119, maj 2023. 10.1103/PhysRevB.107.205119.
https:///doi.org/10.1103/PhysRevB.107.205119
[46] Yannic Rath, Aldo Glielmo og George H. Booth. En Bayesiansk inferensramme for komprimering og forudsigelse af kvantetilstande. The Journal of Chemical Physics, 153 (12): 124108, september 2020. ISSN 0021-9606. 10.1063/5.0024570.
https:///doi.org/10.1063/5.0024570
[47] Waseem Rawat og Zenghui Wang. Deep Convolutional Neurale Networks for Image Classification: En omfattende gennemgang. Neural Computation, 29 (9): 2352-2449, september 2017. ISSN 0899-7667. 10.1162/neco_a_00990.
https:///doi.org/10.1162/neco_a_00990
[48] Moritz Reh, Markus Schmitt og Martin Gärttner. Optimering af designvalg til neurale kvantetilstande. Physical Review B, 107 (19): 195115, maj 2023. 10.1103/PhysRevB.107.195115.
https:///doi.org/10.1103/PhysRevB.107.195115
[49] Christopher Roth og Allan H. MacDonald. Group Convolutional Neural Networks forbedrer kvantetilstandsnøjagtigheden, maj 2021.
[50] Christopher Roth, Attila Szabó og Allan H. MacDonald. Variations Monte Carlo med høj nøjagtighed til frustrerede magneter med dybe neurale netværk. Physical Review B, 108 (5): 054410, august 2023. 10.1103/PhysRevB.108.054410.
https:///doi.org/10.1103/PhysRevB.108.054410
[51] Anders W. Sandvik. Skalering i endelig størrelse af grundtilstandsparametrene for den todimensionelle Heisenberg-model. Physical Review B, 56 (18): 11678–11690, november 1997. 10.1103/PhysRevB.56.11678.
https:///doi.org/10.1103/PhysRevB.56.11678
[52] HJ Schulz, TAL Ziman og D. Poilblanc. Magnetisk orden og uorden i det frustrerede kvante Heisenberg antiferromagnet i to dimensioner. Journal de Physique I, 6 (5): 675-703, maj 1996. ISSN 1155-4304, 1286-4862. 10.1051/jp1:1996236.
https:///doi.org/10.1051/jp1:1996236
[53] Eller Sharir, Yoav Levine, Noam Wies, Giuseppe Carleo og Amnon Shashua. Dybe autoregressive modeller til effektiv variationssimulering af kvantesystemer med mange kroppe. Physical Review Letters, 124 (2): 020503, januar 2020. 10.1103/PhysRevLett.124.020503.
https:///doi.org/10.1103/PhysRevLett.124.020503
[54] Simons Collaboration on the Many-Electron Problem, Mario Motta, David M. Ceperley, Garnet Kin-Lic Chan, John A. Gomez, Emanuel Gull, Sheng Guo, Carlos A. Jiménez-Hoyos, Tran Nguyen Lan, Jia Li, Fengjie Ma , Andrew J. Millis, Nikolay V. Prokof'ev, Ushnish Ray, Gustavo E. Scuseria, Sandro Sorella, Edwin M. Stoudenmire, Qiming Sun, Igor S. Tupitsyn, Steven R. White, Dominika Zgid og Shiwei Zhang. På vej mod løsningen af mange-elektronproblemet i virkelige materialer: ligning af tilstanden af brintkæden med state-of-the-art mange-legeme metoder. Physical Review X, 7 (3): 031059, september 2017. 10.1103/PhysRevX.7.031059.
https:///doi.org/10.1103/PhysRevX.7.031059
[55] Alessandro Sinibaldi, Clemens Giuliani, Giuseppe Carleo og Filippo Vicentini. Uvildig tidsafhængig Variational Monte Carlo ved projiceret kvanteevolution. Quantum, 7: 1131, oktober 2023. 10.22331/q-2023-10-10-1131.
https://doi.org/10.22331/q-2023-10-10-1131
[56] Anton V. Sinitskiy, Loren Greenman og David A. Mazziotti. Stærk korrelation i brintkæder og gitter ved hjælp af den variationsmæssige to-elektron reducerede densitet matrix metode. The Journal of Chemical Physics, 133 (1): 014104, juli 2010. ISSN 0021-9606. 10.1063/1.3459059.
https:///doi.org/10.1063/1.3459059
[57] Sandro Sorella. Generaliseret Lanczos-algoritme for variationskvante Monte Carlo. Physical Review B, 64 (2): 024512, juni 2001. 10.1103/PhysRevB.64.024512.
https:///doi.org/10.1103/PhysRevB.64.024512
[58] Lorenzo Stella, Claudio Attaccalite, Sandro Sorella og Angel Rubio. Stærk elektronisk korrelation i brintkæden: En variation af Monte Carlo undersøgelse. Physical Review B, 84 (24): 245117, december 2011. 10.1103/PhysRevB.84.245117.
https:///doi.org/10.1103/PhysRevB.84.245117
[59] Qiming Sun, Timothy C. Berkelbach, Nick S. Blunt, George H. Booth, Sheng Guo, Zhendong Li, Junzi Liu, James D. McClain, Elvira R. Sayfutyarova, Sandeep Sharma, Sebastian Wouters og Garnet Kin-Lic Chan. PySCF: De Python-baserede simuleringer af kemiramme. WIREs Computational Molecular Science, 8 (1): e1340, 2018. ISSN 1759-0884. 10.1002/wcms.1340.
https://doi.org/10.1002/wcms.1340
[60] Qiming Sun, Xing Zhang, Samragni Banerjee, Peng Bao, Marc Barbry, Nick S. Blunt, Nikolay A. Bogdanov, George H. Booth, Jia Chen, Zhi-Hao Cui, Janus J. Eriksen, Yang Gao, Sheng Guo, Jan Hermann, Matthew R. Hermes, Kevin Koh, Peter Koval, Susi Lehtola, Zhendong Li, Junzi Liu, Narbe Mardirossian, James D. McClain, Mario Motta, Bastien Mussard, Hung Q. Pham, Artem Pulkin, Wirawan Purwanto, Paul J. Robinson, Enrico Ronca, Elvira R. Sayfutyarova, Maximilian Scheurer, Henry F. Schurkus, James ET Smith, Chong Sun, Shi-Ning Sun, Shiv Upadhyay, Lucas K. Wagner, Xiao Wang, Alec White, James Daniel Whitfield, Mark J Williamson, Sebastian Wouters, Jun Yang, Jason M. Yu, Tianyu Zhu, Timothy C. Berkelbach, Sandeep Sharma, Alexander Yu. Sokolov og Garnet Kin-Lic Chan. Seneste udvikling i PySCF-programpakken. The Journal of Chemical Physics, 153 (2): 024109, juli 2020. ISSN 0021-9606. 10.1063/5.0006074.
https:///doi.org/10.1063/5.0006074
[61] Xiao-Qi Sun, Tamra Nebabu, Xizhi Han, Michael O. Flynn og Xiao-Liang Qi. Sammenfiltringstræk ved tilfældige neurale netværks kvantetilstande. Physical Review B, 106 (11): 115138, september 2022. 10.1103/PhysRevB.106.115138.
https:///doi.org/10.1103/PhysRevB.106.115138
[62] Attila Szabó og Claudio Castelnovo. Neurale netværksbølgefunktioner og tegnproblemet. Physical Review Research, 2 (3): 033075, juli 2020. 10.1103/PhysRevResearch.2.033075.
https:///doi.org/10.1103/PhysRevResearch.2.033075
[63] Giacomo Torlai, Guglielmo Mazzola, Juan Carrasquilla, Matthias Troyer, Roger Melko og Giuseppe Carleo. Neural-netværk kvantetilstandstomografi. Nature Physics, 14 (5): 447–450, maj 2018. ISSN 1745-2481. 10.1038/s41567-018-0048-5.
https://doi.org/10.1038/s41567-018-0048-5
[64] Takashi Tsuchimochi og Gustavo E. Scuseria. Stærke korrelationer via constrained-pairing mean-field theory. The Journal of Chemical Physics, 131 (12): 121102, september 2009. ISSN 0021-9606. 10.1063/1.3237029.
https:///doi.org/10.1063/1.3237029
[65] Benigno Uria, Marc-Alexandre Côté, Karol Gregor, Iain Murray og Hugo Larochelle. Neural autoregressiv distributionsestimation. Journal of Machine Learning Research, 17 (205): 1–37, 2016. ISSN 1533-7928.
[66] Aaron van den Oord, Nal Kalchbrenner, Lasse Espeholt, koray kavukcuoglu, Oriol Vinyals og Alex Graves. Betinget billedgenerering med PixelCNN-dekodere. In Advances in Neural Information Processing Systems, bind 29. Curran Associates, Inc., 2016.
[67] Filippo Vicentini, Damian Hofmann, Attila Szabó, Dian Wu, Christopher Roth, Clemens Giuliani, Gabriel Pescia, Jannes Nys, Vladimir Vargas-Calderón, Nikita Astrakhantsev og Giuseppe Carleo. NetKet 3: Machine Learning Toolbox for Many-Krop Quantum Systems. SciPost Physics Codebases, side 007, august 2022. ISSN 2949-804X. 10.21468/SciPostPhysCodeb.7.
https:///doi.org/10.21468/SciPostPhysCodeb.7
[68] Tom Vieijra, Corneel Casert, Jannes Nys, Wesley De Neve, Jutho Haegeman, Jan Ryckebusch og Frank Verstraete. Begrænsede Boltzmann-maskiner til kvantestater med ikke-abelske eller anyoniske symmetrier. Physical Review Letters, 124 (9): 097201, marts 2020. 10.1103/PhysRevLett.124.097201.
https:///doi.org/10.1103/PhysRevLett.124.097201
[69] Luciano Loris Viteritti, Riccardo Rende og Federico Becca. Transformer Variationsbølgefunktioner til frustrerede kvantespinsystemer. Physical Review Letters, 130 (23): 236401, juni 2023. 10.1103/PhysRevLett.130.236401.
https:///doi.org/10.1103/PhysRevLett.130.236401
[70] Yezhen Wang, Tong Che, Bo Li, Kaitao Song, Hengzhi Pei, Yoshua Bengio og Dongsheng Li. Din autoregressive generative model kan blive bedre, hvis du behandler den som en energibaseret model, juni 2022.
[71] Tom Westerhout, Nikita Astrakhantsev, Konstantin S. Tikhonov, Mikhail I. Katsnelson og Andrey A. Bagrov. Generaliseringsegenskaber af neurale netværkstilnærmelser til frustrerede magnetjordtilstande. Nature Communications, 11 (1): 1593, marts 2020. ISSN 2041-1723. 10.1038/s41467-020-15402-w.
https:///doi.org/10.1038/s41467-020-15402-w
[72] Dian Wu, Riccardo Rossi, Filippo Vicentini og Giuseppe Carleo. Fra tensor-netværk kvantetilstande til tensorial tilbagevendende neurale netværk. Physical Review Research, 5 (3): L032001, juli 2023. 10.1103/PhysRevResearch.5.L032001.
https:///doi.org/10.1103/PhysRevResearch.5.L032001
[73] Huanchen Zhai og Garnet Kin-Lic Chan. Lav kommunikation høj ydeevne ab initio densitet matrix renormalisering gruppe algoritmer. The Journal of Chemical Physics, 154 (22): 224116, juni 2021. ISSN 0021-9606. 10.1063/5.0050902.
https:///doi.org/10.1063/5.0050902
[74] Yuan-Hang Zhang og Massimiliano Di Ventra. Transformer quantum state: En multifunktionel model til kvante mange-krops problemer. Physical Review B, 107 (7): 075147, februar 2023. 10.1103/PhysRevB.107.075147.
https:///doi.org/10.1103/PhysRevB.107.075147
[75] Tianchen Zhao, Saibal De, Brian Chen, James Stokes og Shravan Veerapaneni. Overvinde barrierer for skalerbarhed i variationskvante Monte Carlo. I Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis, SC '21, side 1-13, New York, NY, USA, november 2021. Association for Computing Machinery. ISBN 978-1-4503-8442-1. 10.1145/3458817.3476219.
https:///doi.org/10.1145/3458817.3476219
[76] Tianchen Zhao, James Stokes og Shravan Veerapaneni. Skalerbar neurale kvantetilstandsarkitektur til kvantekemi. Machine Learning: Science and Technology, 4 (2): 025034, juni 2023. ISSN 2632-2153. 10.1088/2632-2153/acdb2f.
https:///doi.org/10.1088/2632-2153/acdb2f
[77] Ding-Xuan Zhou. Universalitet af dybe foldede neurale netværk. Applied and Computational Harmonic Analysis, 48 (2): 787–794, marts 2020. ISSN 1063-5203. 10.1016/j.acha.2019.06.004.
https:///doi.org/10.1016/j.acha.2019.06.004
Citeret af
Dette papir er udgivet i Quantum under Creative Commons Attribution 4.0 International (CC BY 4.0) licens. Ophavsretten forbliver hos de originale copyright-indehavere, såsom forfatterne eller deres institutioner.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://quantum-journal.org/papers/q-2024-02-08-1245/
- :har
- :er
- :hvor
- ][s
- 06
- 1
- 10
- 100
- 11
- 12
- 125
- 13
- 130
- 14
- 15 %
- 154
- 16
- 17
- 19
- 1996
- 20
- 2001
- 2006
- 2009
- 2011
- 2012
- 2016
- 2017
- 2018
- 2019
- 2020
- 2021
- 2022
- 2023
- 22
- 23
- 24
- 25
- 26 %
- 27
- 28
- 29
- 2D
- 30
- 300
- 31
- 32
- 33
- 35 %
- 36
- 39
- 40
- 41
- 43
- 49
- 50
- 51
- 54
- 58
- 60
- 65
- 66
- 67
- 7
- 70
- 72
- 75
- 77
- 8
- 84
- 9
- a
- Aaron
- evne
- ABSTRACT
- adgang
- nøjagtighed
- tværs
- Adam
- tilpasse
- fremskridt
- fordelagtige
- påvirke
- tilknytninger
- AI
- alex
- Alexander
- algoritme
- algoritmer
- også
- alternativer
- amerikansk
- an
- analyse
- analysere
- ,
- Andrew
- Angel
- årligt
- enhver
- Anvendelse
- applikationer
- anvendt
- Anvendelse
- omtrentlig
- april
- vilkårlig
- arkitektur
- OMRÅDE
- kunstig
- AS
- associerede
- Association
- At
- AUGUST
- forfatter
- forfattere
- Avenue
- undgå
- barrierer
- Bayesiansk
- BE
- været
- adfærd
- Bedre
- fordomme
- Pause
- Brian
- brodannelse
- bringe
- bred
- Bryan
- by
- CAN
- forsigtig
- carlos
- kæde
- kæder
- chan
- Kapitel
- kemikalie
- kemi
- chen
- valg
- valg
- chong
- choo
- Chris
- christian
- Christopher
- omgå
- klasse
- klasser
- klassificering
- samarbejde
- Kollegium
- KOMMENTAR
- Commons
- Kommunikation
- Kommunikation
- omfattende
- beregning
- beregningsmæssige
- computing
- konkluderer
- Kondenseret stof
- Konference
- Konsekvenser
- opbygge
- ophavsret
- Core
- Korrelation
- korrelationer
- Koste
- dækker
- skabe
- kritisk
- skøger
- Daniel
- data
- datastyret
- David
- Davis
- de
- december
- dyb
- beskrive
- beskriver
- beskrivelse
- Design
- Udvikling
- udvikling
- forskellige
- størrelse
- direkte
- opdagelse
- diskutere
- sygdom
- fordeling
- gør
- Narkotika
- dynamik
- e
- Edwin
- effektivitet
- effektiv
- elektronisk
- elektroner
- opstået
- muliggør
- håndhæve
- Engineering
- sammenfiltring
- Miljø
- Era
- Erez
- fejl
- EV
- NOGENSINDE
- evolution
- Exotic
- udnytte
- eksponentiel
- langt
- Funktionalitet
- februar
- februar
- Federico
- Fields
- filtrere
- Filtre
- Finde
- fast
- Fleksibilitet
- strømme
- Til
- Foster
- fundet
- Framework
- frank
- fra
- frustrerede
- fuld
- funktion
- funktioner
- GAO
- Generelt
- generaliseret
- generation
- generative
- George
- Gomez
- graf
- Ground
- gruppe
- Have
- hjælpe
- Henry
- hermes
- Høj
- holdere
- besidder
- hætte
- håber
- Hvordan
- Men
- HTTPS
- hugo
- menneskelig
- hang
- Hydrogenering
- i
- IEEE
- if
- billede
- Billedklassificering
- Billedgenkendelse
- KIMOs Succeshistorier
- vigtigt
- Forbedre
- in
- Inc.
- indarbejde
- Forøg
- oplysninger
- indsigt
- inspirerede
- institutioner
- Intelligens
- interaktion
- interaktion
- interessant
- internationalt
- ind
- indføre
- undersøge
- spørgsmål
- IT
- ITS
- ivan
- james
- Jan
- januar
- JavaScript
- jimmy
- John
- tidsskrift
- jpg
- John
- juli
- juni
- King (Konge)
- kendt
- landskab
- Sprog
- Lauren
- Love
- lag
- læring
- Forlade
- læsning
- Niveau
- levine
- Li
- Licens
- lys
- begrænsninger
- lin
- Flydende
- London
- Lang
- Se
- off
- Lav
- Macdonald
- maskine
- machine learning
- maskiner
- Maskiner
- Magneter
- mange
- Marts
- march 2020
- mario
- markere
- Martin
- materielt
- materialer
- matematiske
- Matrix
- Matter
- matthew
- max-bredde
- Kan..
- metode
- metoder
- Michael
- Mikhail
- Blanding
- model
- modellering
- modeller
- Moderne
- Mohamed
- molekylær
- molekyle
- Måned
- mere
- Murray
- Natur
- behov
- netværk
- netværk
- net
- neurale
- neurale netværk
- neurale netværk
- Ny
- New York
- Nguyen
- Nick
- Støj
- Nomura
- Nord
- november
- November 2021
- nukleare
- nummer
- NY
- objekt
- oktober
- of
- on
- ONE
- online
- åbent
- optimering
- optimering
- or
- ordrer
- original
- vores
- overvinde
- oversigt
- pakke
- side
- sider
- Papir
- parametre
- særlig
- Mønster
- paul
- Betal
- ydeevne
- Peter
- Pham
- fysisk
- Fysik
- plato
- Platon Data Intelligence
- PlatoData
- potentiale
- magt
- vigtigste
- Precision
- forudsigelse
- præsentere
- Problem
- problemer
- procedure
- Proceedings
- behandle
- forarbejdning
- Produkt
- Program
- Progress
- fremskrevet
- løfte
- lovende
- egenskaber
- ejendom
- give
- giver
- offentliggjort
- forlægger
- Qi
- kvadratisk
- Quantum
- quantum computing
- kvanteforvikling
- kvanteinformation
- kvantepartikler
- kvantesystemer
- R
- tilfældig
- rækkevidde
- hurtigt
- forholdet
- RAY
- ægte
- nylige
- for nylig
- anerkendelse
- tilbagevendende
- Reduceret
- referencer
- raffinerede
- resterne
- repræsentation
- påkrævet
- Kræver
- forskning
- løse
- genoprette
- begrænset
- resulterer
- Resultater
- Revealed
- gennemgå
- Anmeldelser
- stringent
- roller
- s
- Sam
- Sandeep
- tilfredsstille
- SC
- Skalerbarhed
- skalerbar
- skalering
- Videnskab
- Videnskab og Teknologi
- september
- Sharma
- skinne
- Vis
- underskrive
- simulation
- simuleringer
- mindre
- So
- løsninger
- Løsning
- sang
- Space
- Spektroskopi
- Spin
- Tilstand
- state-of-the-art
- Stater
- Status
- Stephen
- steven
- opbevaring
- stærk
- struktur
- studeret
- Studere
- succes
- sådan
- Sol
- support
- systemet
- Systemer
- hold
- teknikker
- Teknologier
- Teknologier
- vilkår
- end
- at
- deres
- Them
- teoretisk
- teori
- Der.
- Disse
- denne
- Dermed
- tid
- Titel
- til
- sammen
- tome
- Værktøjskasse
- toolkit
- værktøjer
- mod
- mod
- Transaktioner
- transformer
- behandle
- to
- ultimativ
- under
- forenet
- Forenet
- Universal
- låse
- URL
- USA
- ved brug af
- via
- bind
- vs
- W
- wang
- ønsker
- Wave
- we
- GODT
- som
- mens
- hvid
- med
- Arbejde
- wu
- X
- xiao
- år
- york
- Du
- Din
- zephyrnet
- Zhao
