Tingimusliku modelleerimise mõju universaalsele autoregressiivsele kvantolekule

Taasavaldanud Platon

järgijaid: 0

Massimo Bortone, Yannic Rath ja George H. Booth

Füüsika osakond, King's College London, Strand, London WC2R 2LS, Ühendkuningriik

Kas see artikkel on huvitav või soovite arutada? Scite või jätke SciRate'i kommentaar.

Abstraktne

Esitame üldistatud raamistiku universaalsete kvantolekulähendajate kohandamiseks, võimaldades neil rahuldada ranget normaliseerimist ja autoregressiivseid omadusi. Samuti tutvustame filtreid närvivõrkude konvolutsioonikihtide analoogidena, et lisada translatsiooniliselt sümmeetrilised korrelatsioonid suvalistesse kvantolekutesse. Rakendades seda raamistikku Gaussi protsessi olekule, rakendame autoregressiivseid ja/või filtriomadusi, analüüsides sellest tulenevate induktiivsete nihkete mõju variatsioonilisele paindlikkusele, sümmeetriatele ja konserveeritud kogustele. Seda tehes koondame erinevad autoregressiivsed olekud ühtsesse raamistikku masinõppest inspireeritud ansätze jaoks. Meie tulemused annavad ülevaate sellest, kuidas autoregressiivne konstruktsioon mõjutab variatsioonimudeli võimet kirjeldada korrelatsioone spin- ja fermioonvõre mudelites, samuti ab $ initio $ elektroonilise struktuuri probleeme, kus esituse valik mõjutab täpsust. Me järeldame, et kuigi autoregressiivne konstruktsioon võimaldab tõhusat ja otsest proovivõttu, vältides seeläbi autokorrelatsiooni ja ergoodsuse probleemide kadumist Metropolise proovide võtmisel, piirab autoregressiivne konstruktsioon oluliselt mudeli väljendusvõimet paljudes süsteemides.

Tingimusliku modelleerimise mõju universaalsele autoregressiivsele kvantolekule PlatoBlockchain Data Intelligence. Vertikaalne otsing. Ai.

Populaarne kokkuvõte

Interakteeruvate kvantosakeste, nagu molekulis olevad elektronid, arvutuslik lahendamine lubab avada palju potentsiaalseid rakendusi paljudes valdkondades, alates uute ravimite kavandamisest kuni eksootiliste materjalide avastamiseni. Selleks on aga vaja mööda hiilida kvant-mitmekehalise lainefunktsiooni eksponentsiaalsest skaleerimisest, mis on nende elektronide käitumist kirjeldav põhiline matemaatiline objekt. Nende olekute parameetrite määramine tehnikatega, mis on inspireeritud hiljutistest masinõppetööriistadest leitud tihendamisest, on kujunenud paljutõotavaks edasiminekuks, millel on lai rakendusala. See annab lainefunktsiooni asendusmudeli, millel on palju väiksem arv parameetreid kui täielikuks kirjelduseks vajalik lahendamatu arv.

Asendusmudeli hoolikal kavandamisel on aga olulised tagajärjed lähenduse täpsuse ja optimeerimisprotseduuri tõhususe seisukohast. Selles töös vaatleme nende masinõppest inspireeritud olekute teatud klassi, mida tuntakse autoregressiivsete mudelitena ja mida on hiljuti populariseerinud nende edu piltide tuvastamisel ja soodsad proovivõtuomadused. Näitame, kuidas üldisemad olekuklassid võivad seda omadust pärida, ja selgitame välja, kuidas erinevad disainivalikud nende mudelite toimivust mõjutavad.

Analüüsides ja rakendades arvukate kvant-mitmekehaprobleemide põhiseisundeid, leiame, et autoregressiivse omaduse eest tuleb tasuda selle ülima paindlikkuse osas nende olekute fikseeritud arvu parameetritega kirjeldamisel. Loodame oma tööga valgustada olulisi disainivalikuid, mis on vajalikud interakteeruvate kvantosakeste lainefunktsiooni üha võimsamate asendusmudelite väljatöötamiseks.

► BibTeX-i andmed

@artikkel{Bortone2024impactofconditional, doi = {10.22331/q-2024-02-08-1245}, url = {https://doi.org/10.22331/q-2024-02-08-1245}, pealkiri = {Impact tingimuslik modelleerimine universaalse autoregressiivse kvantoleku jaoks}, autor = {Bortone, Massimo ja Rath, Yannic ja Booth, George H.}, ajakiri = {{Kvant}}, issn = {2521-327X}, väljaandja = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, maht = {8}, lehekülge = {1245}, kuu = veebruar, aasta = {2024} }

► Viited

[1] Daniel P. Arovas, Erez Berg, Steven Kivelson ja Srinivas Raghu. Hubbardi mudel. Annual Review of Condensed Matter Physics, 13 (1): 239–274, märts 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 Malõšev ja AI Lvovsky. Autoregressiivsed närvivõrgu lainefunktsioonid ab initio kvantkeemia jaoks. Nature Machine Intelligence, 4 (4): 351–358, aprill 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 ja Chris G. Willcocks. Sügav generatiivne modelleerimine: VAE-de, GAN-ide, voogude normaliseerimise, energiapõhiste ja autoregressiivsete mudelite võrdlev ülevaade. 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 ja Dmitri A. Abanin. Masinõppe ansatzi ligikaudne võimsus kvant-mitmekehaliste olekute jaoks. Physical Review B, 101 (19): 195141, mai 2020. 10.1103/PhysRevB.101.195141.
https:///doi.org/10.1103/PhysRevB.101.195141

[5] Sergey Bravyi, Giuseppe Carleo, David Gosset ja Yinchen Liu. Kiiresti segunev Markovi ahel mis tahes lõhestatud kvant-mitmekehasüsteemist. 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 ja Maxime Dupont. Mittestokvastilise kvant-Hamiltoni põhiseisundi õppimine karmil närvivõrgu maastikul. SciPost Physics, 10 (6): 147, juuni 2021. ISSN 2542-4653. 10.21468/SciPostPhys.10.6.147.
https:///doi.org/10.21468/SciPostPhys.10.6.147

[7] Giuseppe Carleo ja Matthias Troyer. Kvant-mitmekehaprobleemi lahendamine tehisnärvivõrkudega. Science, 355 (6325): 602–606, veebruar 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 ja Alexander Wietek. NetKet: masinõppe tööriistakomplekt paljude kehade kvantsüsteemide jaoks. SoftwareX, 10: 100311, juuli 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 ja Leandro Aolita. Kvantolekute rekonstrueerimine generatiivsete mudelitega. Nature Machine Intelligence, 1 (3): 155–161, märts 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 ja Simone Montangero. Hilberti kõver vs Hilberti ruum: 2D-fraktaalkatte kasutamine tensorvõrgu tõhususe suurendamiseks. 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 ja Markus Heyl. Sügavate närvikvantide olekute tõhus optimeerimine masina täpsuse suunas, veebruar 2023.
arXiv: 2302.01941

[12] Zhuo Chen, Laker Newhouse, Eddie Chen, Di Luo ja Marin Soljacic. ANTN: Autoregressiivsete närvivõrkude ja tensorvõrkude sild mitmekehalise kvantsimulatsiooni jaoks. Kolmekümne seitsmendal neuraalsete teabetöötlussüsteemide konverentsil 2023. aasta novembris.

[13] Kenny Choo, Titus Neupert ja Giuseppe Carleo. Kahemõõtmeline pettunud $J_{1}-J_{2}$ mudel, mida uuriti närvivõrgu kvantolekutega. 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 ja Giuseppe Carleo. Fermioonse närvivõrgu olekud ab-initio elektroonilise struktuuri jaoks. Nature Communications, 11 (1): 2368, mai 2020. ISSN 2041-1723. 10.1038/s41467-020-15724-9.
https://doi.org/10.1038/s41467-020-15724-9

[15] Stephen R. Clark. Neuraalvõrgu kvantolekute ja korrelaatorite produktide olekute ühendamine tensorvõrkude kaudu. Journal of Physics A: Mathematical and Theoretical, 51 (13): 135301, veebruar 2018. ISSN 1751-8121. 10.1088/1751-8121/aaaaf2.
https:///doi.org/10.1088/1751-8121/aaaaf2

[16] Dong-Ling Deng, Xiaopeng Li ja S. Das Sarma. Kvantpõimumine närvivõrgu osariikides. Physical Review X, 7 (2): 021021, mai 2017. 10.1103/PhysRevX.7.021021.
https:///doi.org/10.1103/PhysRevX.7.021021

[17] Kaelan Donatella, Zakari Denis, Alexandre Le Boité ja Cristiano Ciuti. Dünaamika autoregressiivsete neuraalsete kvantolekutega: rakendamine kriitilise summutamise dünaamika jaoks. 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 ja MB Plenio. Põimumise entroopia pindalaseadused. Reviews of Modern Physics, 82 (1): 277–306, veebruar 2010. 10.1103/RevModPhys.82.277.
https:///doi.org/10.1103/RevModPhys.82.277

[19] JM Foster ja SF Boys. Kanoonilise konfiguratsiooni interaktsiooni protseduur. Reviews of Modern Physics, 32 (2): 300–302, aprill 1960. 10.1103/RevModPhys.32.300.
https:///doi.org/10.1103/RevModPhys.32.300

[20] Clemens Giuliani, Filippo Vicentini, Riccardo Rossi ja Giuseppe Carleo. Lõhestatud kvant-Hamiltonlaste põhiseisundite õppimine tuumameetoditega. 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 ja George H. Booth. Gaussi protsessi olekud: mitmekehalise kvantfüüsika andmepõhine esitus. 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 ja Garnet Kin-Lic Chan. Multireference korrelatsioon pikkades molekulides ruutskaala tiheduse maatriksi renormaliseerimisrühmaga. The Journal of Chemical Physics, 125 (14): 144101, oktoober 2006. ISSN 0021-9606. 10.1063/1.2345196.
https:///doi.org/10.1063/1.2345196

[23] Jan Hermann, Zeno Schätzle ja Frank Noé. Elektroonilise Schrödingeri võrrandi süva-närvivõrgu lahendus. Nature Chemistry, 12 (10): 891–897, oktoober 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 ja Frank Noé. Ab initio kvantkeemia närvivõrgu lainefunktsioonidega. Nature Reviews Chemistry, 7 (10): 692–709, oktoober 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 ja Juan Carrasquilla. Korduvad närvivõrgu lainefunktsioonid. Physical Review Research, 2 (2): 023358, juuni 2020. 10.1103/PhysRevResearch.2.023358.
https:///doi.org/10.1103/PhysRevResearch.2.023358

[26] Mohamed Hibat-Allah, Roger G. Melko ja Juan Carrasquilla. Korduvate närvivõrgu lainefunktsioonide täiendamine sümmeetria ja lõõmutusega täpsuse parandamiseks, juuli 2022.

[27] Mohamed Hibat-Allah, Roger G. Melko ja Juan Carrasquilla. Topoloogilise järjestuse uurimine korduvate närvivõrkude abil. 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 ja Swersky, Kevin. Loeng 6a: Ülevaade minipartii gradiendi laskumisest, 2012.a.

[29] Damian Hofmann, Giammarco Fabiani, Johan Mentink, Giuseppe Carleo ja Michael Sentef. Stohhastilise müra ja üldistusvea roll närvivõrgu kvantolekute ajas levimisel. SciPost Physics, 12 (5): 165, mai 2022. ISSN 2542-4653. 10.21468/SciPostPhys.12.5.165.
https:///doi.org/10.21468/SciPostPhys.12.5.165

[30] Bjarni Jónsson, Bela Bauer ja Giuseppe Carleo. Neuraalvõrgu olekud kvantarvutite klassikalise simulatsiooni jaoks, august 2018.

[31] Diederik P. Kingma ja Jimmy Ba. Adam: Stohhastilise optimeerimise meetod, jaanuar 2017.

[32] King's College Londoni e-uuringute meeskond. 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 ja Bryan K. Clark. Variatsiooniline optimeerimine tehisintellekti ajastul: arvutusgraafiku olekud ja jälgitud lainefunktsiooni optimeerimine. arXiv:1811.12423 [kond-mat, füüsika:füüsika], november 2018.
arXiv: 1811.12423

[34] Chu-Cheng Lin, Aaron Jaech, Xin Li, Matthew R. Gormley ja Jason Eisner. Autoregressiivsete mudelite ja nende alternatiivide piirangud. In Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, pages 5147–5173, Online, June 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 ja Frank Pollmann. Neuraalvõrgu kvantolekute skaleerimine aja evolutsiooni jaoks. 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 ja Noemi Rocco. Varjatud nukleonide närvivõrgu kvantolekud tuuma paljude kehade probleemi jaoks. Physical Review Research, 4 (4): 043178, detsember 2022. 10.1103/PhysRevResearch.4.043178.
https:///doi.org/10.1103/PhysRevResearch.4.043178

[37] Di Luo, Zhuo Chen, Juan Carrasquilla ja Bryan K. Clark. Autoregressiivne närvivõrk avatud kvantsüsteemide simuleerimiseks tõenäosusliku formulatsiooni kaudu. Physical Review Letters, 128 (9): 090501, veebruar 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 ja Bryan K. Clark. Mõõteinvariantne ja mis tahes sümmeetriline autoregressiivne närvivõrk kvantvõre mudelite jaoks. Physical Review Research, 5 (1): 013216, märts 2023. 10.1103/PhysRevResearch.5.013216.
https:///doi.org/10.1103/PhysRevResearch.5.013216

[39] Aleksei Malõšev, Juan Miguel Arrazola ja AI Lvovsky. Autoregressiivsed neuraalsed kvantseisundid kvantarvude sümmeetriatega, oktoober 2023.

[40] Matija Medvidović ja Giuseppe Carleo. Kvant-ligikaudse optimeerimise algoritmi klassikaline variatsioonisimulatsioon. npj Quantum Information, 7 (1): 1–7, juuni 2021. ISSN 2056-6387. 10.1038/s41534-021-00440-z.
https:///doi.org/10.1038/s41534-021-00440-z

[41] Yusuke Nomura. Piiratud Boltzmanni masinate abistamine kvantseisundi esitusega, taastades sümmeetria. Journal of Physics: Condensed Matter, 33 (17): 174003, aprill 2021. ISSN 0953-8984. 10.1088/1361-648X/abe268.
https:///doi.org/10.1088/1361-648X/abe268

[42] Yusuke Nomura ja Masatoshi Imada. Dirac-tüüpi sõlme pöörlev vedelik, mille paljastas rafineeritud kvantkehalahendaja, kasutades närvivõrgu lainefunktsiooni, korrelatsioonisuhet ja taseme spektroskoopiat. 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 ja WMC Foulkes. Paljude elektronide Schrödingeri võrrandi ab initio lahend sügavate närvivõrkudega. Physical Review Research, 2 (3): 033429, september 2020. 10.1103/PhysRevResearch.2.033429.
https:///doi.org/10.1103/PhysRevResearch.2.033429

[44] Yannic Rath ja George H. Booth. Kvant-Gaussi protsessi olek: tuumast inspireeritud olek kvanttoe andmetega. Physical Review Research, 4 (2): 023126, mai 2022. 10.1103/PhysRevResearch.4.023126.
https:///doi.org/10.1103/PhysRevResearch.4.023126

[45] Yannic Rath ja George H. Booth. Raamistik tõhusa ab initio elektroonilise struktuuri jaoks Gaussi protsessi olekutega. Physical Review B, 107 (20): 205119, mai 2023. 10.1103/PhysRevB.107.205119.
https:///doi.org/10.1103/PhysRevB.107.205119

[46] Yannic Rath, Aldo Glielmo ja George H. Booth. Bayesi järeldusraamistik kvantolekute tihendamiseks ja ennustamiseks. 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 ja Zenghui Wang. Sügavad konvolutsioonilised närvivõrgud kujutiste klassifitseerimiseks: põhjalik ülevaade. 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 ja Martin Gärttner. Disainivalikute optimeerimine närvikvantseisundite jaoks. Physical Review B, 107 (19): 195115, mai 2023. 10.1103/PhysRevB.107.195115.
https:///doi.org/10.1103/PhysRevB.107.195115

[49] Christopher Roth ja Allan H. MacDonald. Grupi konvolutsioonilised närvivõrgud parandavad kvantoleku täpsust, mai 2021.

[50] Christopher Roth, Attila Szabó ja Allan H. MacDonald. Suure täpsusega variatsioon Monte Carlo sügavate närvivõrkudega pettunud magnetitele. 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. Kahemõõtmelise Heisenbergi mudeli põhioleku parameetrite lõpliku suurusega skaleerimine. 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 ja D. Poilblanc. Magnetiline kord ja segadus pettunud kvant Heisenbergi antiferromagnetis kahes mõõtmes. Journal de Physique I, 6 (5): 675–703, mai 1996. ISSN 1155-4304, 1286-4862. 10.1051/jp1:1996236.
https:///doi.org/10.1051/jp1:1996236

[53] Või Sharir, Yoav Levine, Noam Wies, Giuseppe Carleo ja Amnon Shashua. Sügavad autoregressiivsed mudelid mitmekehaliste kvantsüsteemide tõhusaks variatsioonisimuleerimiseks. Physical Review Letters, 124 (2): 020503, jaanuar 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 ja Shiwei Zhang. Paljude elektronide probleemi lahendamise suunas reaalmaterjalides: vesinikuahela oleku võrrand kaasaegsete paljude kehade meetoditega. 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 ja Filippo Vicentini. Ajast sõltumata variatsiooniline Monte Carlo prognoositud kvantevolutsiooni järgi. Quantum, 7: 1131, oktoober 2023. 10.22331/q-2023-10-10-1131.
https://doi.org/10.22331/q-2023-10-10-1131

[56] Anton V. Sinitskiy, Loren Greenman ja David A. Mazziotti. Tugev korrelatsioon vesinikuahelates ja võres, kasutades variatsioonilist kahe elektroni vähendatud tihedusega maatriksi meetodit. The Journal of Chemical Physics, 133 (1): 014104, juuli 2010. ISSN 0021-9606. 10.1063/1.3459059.
https:///doi.org/10.1063/1.3459059

[57] Sandro Sorella. Üldistatud Lanczose algoritm Monte Carlo variatsioonikvantide jaoks. Physical Review B, 64 (2): 024512, juuni 2001. 10.1103/PhysRevB.64.024512.
https:///doi.org/10.1103/PhysRevB.64.024512

[58] Lorenzo Stella, Claudio Attaccalite, Sandro Sorella ja Angel Rubio. Tugev elektrooniline korrelatsioon vesinikuahelas: variatsiooniline Monte Carlo uuring. Physical Review B, 84 (24): 245117, detsember 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 ja Garnet Kin-Lic Chan. PySCF: Pythonipõhised keemiaraamistiku simulatsioonid. 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 ja Garnet Kin-Lic Chan. Viimased arengud PySCF programmipaketis. The Journal of Chemical Physics, 153 (2): 024109, juuli 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 ja Xiao-Liang Qi. Juhuslike närvivõrgu kvantolekute põimumisomadused. Physical Review B, 106 (11): 115138, september 2022. 10.1103/PhysRevB.106.115138.
https:///doi.org/10.1103/PhysRevB.106.115138

[62] Attila Szabó ja Claudio Castelnovo. Närvivõrgu lainefunktsioonid ja märgiprobleem. Physical Review Research, 2 (3): 033075, juuli 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 ja Giuseppe Carleo. Närvivõrgu kvantseisundi tomograafia. Nature Physics, 14 (5): 447–450, mai 2018. ISSN 1745-2481. 10.1038/s41567-018-0048-5.
https://doi.org/10.1038/s41567-018-0048-5

[64] Takashi Tsuchimochi ja Gustavo E. Scuseria. Tugevad korrelatsioonid piiratud paaristamise keskmise välja teooria kaudu. 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 ja Hugo Larochel. Neuraalse autoregressiivse jaotuse hinnang. 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 ja Alex Graves. Tingimuslik kujutise genereerimine PixelCNN-dekooderitega. Teoses Advances in Neural Information Processing Systems, köide 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 ja Giuseppe Carleo. NetKet 3: masinõppe tööriistakast mitmekehaliste kvantsüsteemide jaoks. SciPost Physics Codebases, lk 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 ja Frank Verstraete. Piiratud Boltzmanni masinad mitte-Abeli või ükskõik millise sümmeetriaga kvantseisundite jaoks. Physical Review Letters, 124 (9): 097201, märts 2020. 10.1103/PhysRevLett.124.097201.
https:///doi.org/10.1103/PhysRevLett.124.097201

[69] Luciano Loris Viteritti, Riccardo Rende ja Federico Becca. Transformaatori variatsioonilaine funktsioonid frustreeritud kvantpöörlemissüsteemide jaoks. Physical Review Letters, 130 (23): 236401, juuni 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 ja Dongsheng Li. Teie autoregressiivne generatiivne mudel võib olla parem, kui käsitlete seda energiapõhisena, juuni 2022.

[71] Tom Westerhout, Nikita Astrahantsev, Konstantin S. Tihhonov, Mihhail I. Katsnelson ja Andrei A. Bagrov. Närvivõrgu lähenduste üldistusomadused pettunud magneti põhiolekutele. Nature Communications, 11 (1): 1593, märts 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 ja Giuseppe Carleo. Tensor-võrgu kvantolekutest kuni tensoorsete korduvate närvivõrkudeni. Physical Review Research, 5 (3): L032001, juuli 2023. 10.1103/PhysRevResearch.5.L032001.
https:///doi.org/10.1103/PhysRevResearch.5.L032001

[73] Huanchen Zhai ja Granaat Kin-Lic Chan. Madala side suure jõudlusega ab initio tihedusega maatriksi renormaliseerimisrühma algoritmid. The Journal of Chemical Physics, 154 (22): 224116, juuni 2021. ISSN 0021-9606. 10.1063/5.0050902.
https:///doi.org/10.1063/5.0050902

[74] Yuan-Hang Zhang ja Massimiliano Di Ventra. Transformaatori kvantolek: mitmeotstarbeline mudel paljude kehade kvantprobleemide jaoks. Physical Review B, 107 (7): 075147, veebruar 2023. 10.1103/PhysRevB.107.075147.
https:///doi.org/10.1103/PhysRevB.107.075147

[75] Tianchen Zhao, Saibal De, Brian Chen, James Stokes ja Shravan Veerapaneni. Monte Carlo variatsioonikvantide mastaapsuse takistuste ületamine. In Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis, SC '21, lk 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 ja Shravan Veerapaneni. Skaleeritav neuraalsete kvantolekute arhitektuur kvantkeemia jaoks. Masinõpe: Science and Technology, 4 (2): 025034, juuni 2023. ISSN 2632-2153. 10.1088/2632-2153/acdb2f.
https:///doi.org/10.1088/2632-2153/acdb2f

[77] Ding-Xuan Zhou. Sügavate konvolutsiooniliste närvivõrkude universaalsus. Applied and Computational Harmonic Analysis, 48 (2): 787–794, märts 2020. ISSN 1063-5203. 10.1016/j.acha.2019.06.004.
https:///doi.org/10.1016/j.acha.2019.06.004

Viidatud

See raamat on avaldatud Quantum all Creative Commons Attribution 4.0 International (CC BY 4.0) litsents. Autoriõigus jääb algsetele autoriõiguste valdajatele, näiteks autoritele või nende institutsioonidele.

SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
Allikas: https://quantum-journal.org/papers/q-2024-02-08-1245/

Ajatempel: Veebruar 8, 2024

Ajatempel: November 3, 2023

Tingimusliku modelleerimise mõju universaalsele autoregressiivsele kvantolekule

Taasavaldanud Platon

Abstraktne

Populaarne kokkuvõte

► BibTeX-i andmed

► Viited

Viidatud

Veel alates Quantum Journal

Poliitikagradient-lähenemine variatiivsete kvantahelate koostamisel

Millal osake saabub?

Alusseisundi omaduste arvutamine varajase tõrketaluvusega kvantarvutitega

Ajamarssipõhised kvantlahendajad ajast sõltuvate lineaarsete diferentsiaalvõrrandite jaoks

Lineaarne optika ja fototuvastus saavutavad peaaegu optimaalse ühemõttelise koherentse oleku diskrimineerimise

Finantsrakendustega pideva aja stohhastilise protsessi kvantkodeerimine ja analüüs

Pariteedi kvantoptimeerimine: võrdlusalused

Kattunud rühmitamise mõõtmine: ühtne raamistik kvantolekute mõõtmiseks

Kvantide võrdlusraamid: perspektiivist sõltuvate kirjelduste tuletamine perspektiivineutraalse struktuuri kaudu

Ostsillaatorite optimaalne kodeerimine rohkemateks ostsillaatoriteks

Täielik laiendus: kvantpuhastuse signaalivaba analoog

Meist

Vertikaalne otsing ja Ai

Platvorm

Püsi ühenduses

konto