Département de physique, King's College London, Strand, Londres WC2R 2LS, Royaume-Uni
Vous trouvez cet article intéressant ou souhaitez en discuter? Scite ou laisse un commentaire sur SciRate.
Abstract
Nous présentons un cadre généralisé pour adapter les approximateurs d’états quantiques universels, leur permettant de satisfaire des propriétés de normalisation rigoureuses et d’autorégression. Nous introduisons également des filtres comme analogues aux couches convolutives dans les réseaux de neurones pour incorporer des corrélations translationnellement symétrisées dans des états quantiques arbitraires. En appliquant ce cadre à l'état du processus gaussien, nous appliquons des propriétés autorégressives et/ou de filtrage, en analysant l'impact des biais inductifs résultants sur la flexibilité variationnelle, les symétries et les quantités conservées. Ce faisant, nous rassemblons différents états autorégressifs dans un cadre unifié pour des réponses inspirées de l'apprentissage automatique. Nos résultats fournissent un aperçu de la façon dont la construction autorégressive influence la capacité d'un modèle variationnel à décrire les corrélations dans les modèles de spin et de réseau fermionique, ainsi que des problèmes de structure électronique ab $initio$ où le choix de la représentation affecte la précision. Nous concluons que, tout en permettant un échantillonnage efficace et direct, évitant ainsi les problèmes d'autocorrélation et de perte d'ergodicité dans l'échantillonnage Metropolis, la construction autorégressive contraint matériellement l'expressivité du modèle dans de nombreux systèmes.
Résumé populaire
Cependant, une conception minutieuse du modèle de substitution a des conséquences importantes en termes de précision de l’approximation et d’efficacité de la procédure d’optimisation. Dans ce travail, nous examinons sous le capot une classe particulière de ces états inspirés de l’apprentissage automatique, connus sous le nom de modèles autorégressifs, qui ont été récemment popularisés par leur succès en reconnaissance d’images et leurs propriétés d’échantillonnage avantageuses. Nous montrons comment des classes d'états plus générales peuvent hériter de cette propriété et décryptons comment différents choix de conception affectent les performances de ces modèles.
Grâce à notre analyse et à notre application aux états fondamentaux d’une série de problèmes quantiques à N corps, nous constatons qu’il y a un coût à payer pour la propriété autorégressive en termes de flexibilité ultime dans la description de ces états avec un nombre fixe de paramètres. Grâce à nos travaux, nous espérons mettre en lumière les choix de conception importants nécessaires au développement de modèles de substitution toujours plus puissants pour la fonction d’onde des particules quantiques en interaction.
► Données BibTeX
► Références
Daniel P. Arovas, Erez Berg, Steven Kivelson et Srinivas Raghu. Le modèle Hubbard. Revue annuelle de la physique de la matière condensée, 13 (1) : 239-274, mars 2022. ISSN 1947-5454, 1947-5462. 10.1146/annurev-conmatphys-031620-102024.
https: / / doi.org/ 10.1146 / annurev-conmatphys-031620-102024
Thomas D. Barrett, Aleksei Malyshev et AI Lvovsky. Fonctions d'onde autorégressives des réseaux neuronaux pour la chimie quantique ab initio. Nature Machine Intelligence, 4 (4) : 351-358, avril 2022. ISSN 2522-5839. 10.1038/s42256-022-00461-z.
https: / / doi.org/ 10.1038 / s42256-022-00461-z
Sam Bond-Taylor, Adam Leach, Yang Long et Chris G. Willcocks. Modélisation générative approfondie : un examen comparatif des VAE, des GAN, des flux normalisants, des modèles basés sur l'énergie et autorégressifs. Transactions IEEE sur l'analyse de modèles et l'intelligence artificielle, 44 (11) : 7327-7347, novembre 2022. ISSN 1939-3539. 10.1109/TPAMI.2021.3116668.
https: / / doi.org/ 10.1109 / TPAMI.2021.3116668
Artem Borin et Dmitry A. Abanin. Puissance approximative de l'ansatz d'apprentissage automatique pour les états quantiques à N corps. Examen physique B, 101 (19) : 195141, mai 2020. 10.1103/PhysRevB.101.195141.
https: / / doi.org/ 10.1103 / PhysRevB.101.195141
Sergey Bravyi, Giuseppe Carleo, David Gosset et Yinchen Liu. Une chaîne de Markov à mélange rapide à partir de n'importe quel système quantique à N corps espacé. Quantum, 7 : 1173, novembre 2023. 10.22331/q-2023-11-07-1173.
https://doi.org/10.22331/q-2023-11-07-1173
Marin Bukov, Markus Schmitt et Maxime Dupont. Apprentissage de l'état fondamental d'un hamiltonien quantique non stoquastique dans un paysage de réseau neuronal accidenté. SciPost Physics, 10 (6) : 147, juin 2021. ISSN 2542-4653. 10.21468/SciPostPhys.10.6.147.
https: / / doi.org/ 10.21468 / SciPostPhys.10.6.147
Giuseppe Carleo et Matthias Troyer. Résoudre le problème quantique à N corps avec les réseaux de neurones artificiels. Science, 355 (6325) : 602-606, février 2017. 10.1126/science.aag2302.
https: / / doi.org/ 10.1126 / science.aag2302
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 et Alexander Wietek. NetKet : une boîte à outils d'apprentissage automatique pour les systèmes quantiques à plusieurs corps. SoftwareX, 10 : 100311, juillet 2019. ISSN 2352-7110. 10.1016/j.softx.2019.100311.
https:///doi.org/10.1016/j.softx.2019.100311
Juan Carrasquilla, Giacomo Torlai, Roger G. Melko et Leandro Aolita. Reconstruire les états quantiques avec des modèles génératifs. Nature Machine Intelligence, 1 (3) : 155-161, mars 2019. ISSN 2522-5839. 10.1038/s42256-019-0028-1.
https://doi.org/10.1038/s42256-019-0028-1
Giovanni Cataldi, Ashkan Abedi, Giuseppe Magnifico, Simone Notarnicola, Nicola Dalla Pozza, Vittorio Giovannetti et Simone Montangero. Courbe de Hilbert vs espace de Hilbert : exploiter le revêtement fractal 2D pour augmenter l'efficacité du réseau tensoriel. Quantum, 5 : 556, septembre 2021. 10.22331/q-2021-09-29-556.
https://doi.org/10.22331/q-2021-09-29-556
Ao Chen et Markus Heyl. Optimisation efficace des états quantiques neuronaux profonds vers la précision des machines, février 2023.
arXiv: 2302.01941
Zhuo Chen, Laker Newhouse, Eddie Chen, Di Luo et Marin Soljacic. ANTN : relier les réseaux de neurones autorégressifs et les réseaux tensoriels pour la simulation quantique à plusieurs corps. Lors de la trente-septième conférence sur les systèmes de traitement de l'information neuronale, novembre 2023.
Kenny Choo, Titus Neupert et Giuseppe Carleo. Modèle $J_{1}-J_{2}$ frustré bidimensionnel étudié avec les états quantiques de réseaux neuronaux. Examen physique B, 100 (12) : 125124, septembre 2019. 10.1103/PhysRevB.100.125124.
https: / / doi.org/ 10.1103 / PhysRevB.100.125124
Kenny Choo, Antonio Mezzacapo et Giuseppe Carleo. États du réseau neuronal fermionique pour la structure électronique ab-initio. 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
Stephen R. Clark. Unification des états quantiques des réseaux neuronaux et des états des produits corrélateurs via des réseaux tensoriels. Journal of Physics A : Mathematical and Theoretical, 51 (13) : 135301, février 2018. ISSN 1751-8121. 10.1088/1751-8121/aaaaf2.
https:///doi.org/10.1088/1751-8121/aaaaf2
Dong-Ling Deng, Xiaopeng Li et S. Das Sarma. Intrication quantique dans les états des réseaux neuronaux. Examen physique X, 7 (2) : 021021, mai 2017. 10.1103/PhysRevX.7.021021.
https: / / doi.org/ 10.1103 / PhysRevX.7.021021
Kaelan Donatella, Zakari Denis, Alexandre Le Boité et Cristiano Ciuti. Dynamique avec états quantiques neuronaux autorégressifs : application à la dynamique de trempe critique. Examen physique A, 108 (2) : 022210, août 2023. 10.1103/PhysRevA.108.022210.
https: / / doi.org/ 10.1103 / PhysRevA.108.022210
J. Eisert, M. Cramer et MB Plenio. Lois de zone pour l'entropie d'intrication. Reviews of Modern Physics, 82 (1) : 277-306, février 2010. 10.1103/RevModPhys.82.277.
https: / / doi.org/ 10.1103 / RevModPhys.82.277
JM Foster et SF Boys. Procédure d’interaction configurationnelle canonique. Reviews of Modern Physics, 32 (2) : 300-302, avril 1960. 10.1103/RevModPhys.32.300.
https: / / doi.org/ 10.1103 / RevModPhys.32.300
Clemens Giuliani, Filippo Vicentini, Riccardo Rossi et Giuseppe Carleo. Apprentissage des états fondamentaux des hamiltoniens quantiques écartés avec les méthodes du noyau. Quantum, 7 : 1096, août 2023. 10.22331/q-2023-08-29-1096.
https://doi.org/10.22331/q-2023-08-29-1096
Aldo Glielmo, Yannic Rath, Gábor Csányi, Alessandro De Vita et George H. Booth. États de processus gaussiens : une représentation basée sur les données de la physique quantique à plusieurs corps. Examen physique X, 10 (4) : 041026, novembre 2020. 10.1103/PhysRevX.10.041026.
https: / / doi.org/ 10.1103 / PhysRevX.10.041026
Johannes Hachmann, Wim Cardoen et Garnet Kin-Lic Chan. Corrélation multiréférence dans les molécules longues avec le groupe de renormalisation de la matrice de densité à échelle quadratique. The Journal of Chemical Physics, 125 (14) : 144101, octobre 2006. ISSN 0021-9606. 10.1063/1.2345196.
https: / / doi.org/ 10.1063 / 1.2345196
Jan Hermann, Zeno Schätzle et Frank Noé. Solution de réseau neuronal profond de l'équation électronique de Schrödinger. Nature Chemistry, 12 (10) : 891-897, octobre 2020. ISSN 1755-4349. 10.1038/s41557-020-0544-y.
https: / / doi.org/ 10.1038 / s41557-020-0544-y
Jan Hermann, James Spencer, Kenny Choo, Antonio Mezzacapo, WMC Foulkes, David Pfau, Giuseppe Carleo et Frank Noé. Chimie quantique ab initio avec fonctions d'onde des réseaux neuronaux. Nature Reviews Chemistry, 7 (10) : 692-709, octobre 2023. ISSN 2397-3358. 10.1038/s41570-023-00516-8.
https://doi.org/10.1038/s41570-023-00516-8
Mohamed Hibat-Allah, Martin Ganahl, Lauren E. Hayward, Roger G. Melko et Juan Carrasquilla. Fonctions d'onde récurrentes du réseau neuronal. Physical Review Research, 2 (2) : 023358, juin 2020. 10.1103/PhysRevResearch.2.023358.
https: / / doi.org/ 10.1103 / PhysRevResearch.2.023358
Mohamed Hibat-Allah, Roger G. Melko et Juan Carrasquilla. Compléter les fonctions d'onde récurrentes du réseau neuronal avec la symétrie et le recuit pour améliorer la précision, juillet 2022.
Mohamed Hibat-Allah, Roger G. Melko et Juan Carrasquilla. Enquête sur l'ordre topologique à l'aide de réseaux de neurones récurrents. Examen physique B, 108 (7) : 075152, août 2023. 10.1103/PhysRevB.108.075152.
https: / / doi.org/ 10.1103 / PhysRevB.108.075152
Hinton, Geoffrey, Srivastava, Nitish et Swersky, Kevin. Cours 6a : Aperçu de la descente de gradient en mini-lots, 2012.
Damian Hofmann, Giammarco Fabiani, Johan Mentink, Giuseppe Carleo et Michael Sentef. Rôle du bruit stochastique et de l'erreur de généralisation dans la propagation temporelle des états quantiques des réseaux neuronaux. 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
Bjarni Jónsson, Bela Bauer et Giuseppe Carleo. États des réseaux neuronaux pour la simulation classique de l’informatique quantique, août 2018.
Diederik P. Kingma et Jimmy Ba. Adam : Une méthode d'optimisation stochastique, janvier 2017.
Équipe de recherche électronique du King's College de Londres. Environnement de recherche informatique, d'ingénierie et de technologie de King (CREATE), 2022. URL https://doi.org/10.18742/rnvf-m076.
https:///doi.org/10.18742/rnvf-m076
Dmitrii Kochkov et Bryan K. Clark. Optimisation variationnelle à l'ère de l'IA : états de graphes informatiques et optimisation supervisée de la fonction d'onde. arXiv:1811.12423 [cond-mat, physique:physique], novembre 2018.
arXiv: 1811.12423
Chu-Cheng Lin, Aaron Jaech, Xin Li, Matthew R. Gormley et Jason Eisner. Limites des modèles autorégressifs et de leurs alternatives. Dans Actes de la conférence 2021 de la section nord-américaine de l'Association for Computational Linguistics : Human Language Technologies, pages 5147-5173, en ligne, juin 2021. Association for Computational Linguistics. 10.18653/v1/2021.naacl-main.405.
https:///doi.org/10.18653/v1/2021.naacl-main.405
Sheng-Hsuan Lin et Frank Pollmann. Mise à l'échelle des états quantiques des réseaux neuronaux pour l'évolution temporelle. physique status solidi (b), 259 (5) : 2100172, 2022. ISSN 1521-3951. 10.1002/pssb.202100172.
https:///doi.org/10.1002/pssb.202100172
Alessandro Lovato, Corey Adams, Giuseppe Carleo et Noemi Rocco. États quantiques de réseaux neuronaux à nucléons cachés pour le problème nucléaire à N corps. Physical Review Research, 4 (4) : 043178, décembre 2022. 10.1103/PhysRevResearch.4.043178.
https: / / doi.org/ 10.1103 / PhysRevResearch.4.043178
Di Luo, Zhuo Chen, Juan Carrasquilla et Bryan K. Clark. Réseau neuronal autorégressif pour simuler des systèmes quantiques ouverts via une formulation probabiliste. Lettres d'examen physique, 128 (9) : 090501, février 2022. 10.1103/PhysRevLett.128.090501.
https: / / doi.org/ 10.1103 / PhysRevLett.128.090501
Di Luo, Zhuo Chen, Kaiwen Hu, Zhizhen Zhao, Vera Mikyoung Hur et Bryan K. Clark. Réseau neuronal autorégressif invariant de jauge et symétrique anyonique pour les modèles de réseau quantique. Physical Review Research, 5 (1) : 013216, mars 2023. 10.1103/PhysRevResearch.5.013216.
https: / / doi.org/ 10.1103 / PhysRevResearch.5.013216
Aleksei Malyshev, Juan Miguel Arrazola et AI Lvovsky. États quantiques neuronaux autorégressifs avec symétries des nombres quantiques, octobre 2023.
Matija Medvidović et Giuseppe Carleo. Simulation variationnelle classique de l'algorithme d'optimisation approximative quantique. npj Quantum Information, 7 (1) : 1-7, juin 2021. ISSN 2056-6387. 10.1038/s41534-021-00440-z.
https: / / doi.org/ 10.1038 / s41534-021-00440-z
Yusuke Nomura. Aider les machines Boltzmann restreintes avec une représentation d'état quantique en restaurant la symétrie. Journal of Physics : Condensed Matter, 33 (17) : 174003, avril 2021. ISSN 0953-8984. 10.1088/1361-648X/abe268.
https:///doi.org/10.1088/1361-648X/abe268
Yusuke Nomura et Masatoshi Imada. Liquide de spin nodal de type Dirac révélé par un solveur quantique raffiné à plusieurs corps utilisant la fonction d'onde de réseau neuronal, le rapport de corrélation et la spectroscopie de niveau. Examen physique X, 11 (3) : 031034, août 2021. 10.1103/PhysRevX.11.031034.
https: / / doi.org/ 10.1103 / PhysRevX.11.031034
David Pfau, James S. Spencer, Alexander GDG Matthews et WMC Foulkes. Solution ab initio de l'équation de Schrödinger à plusieurs électrons avec des réseaux de neurones profonds. Physical Review Research, 2 (3) : 033429, septembre 2020. 10.1103/PhysRevResearch.2.033429.
https: / / doi.org/ 10.1103 / PhysRevResearch.2.033429
Yannic Rath et George H. Booth. État de processus quantique gaussien : un état inspiré du noyau avec des données de support quantiques. Physical Review Research, 4 (2) : 023126, mai 2022. 10.1103/PhysRevResearch.4.023126.
https: / / doi.org/ 10.1103 / PhysRevResearch.4.023126
Yannic Rath et George H. Booth. Cadre pour une structure électronique ab initio efficace avec des états de processus gaussiens. Examen physique B, 107 (20) : 205119, mai 2023. 10.1103/PhysRevB.107.205119.
https: / / doi.org/ 10.1103 / PhysRevB.107.205119
Yannic Rath, Aldo Glielmo et George H. Booth. Un cadre d'inférence bayésien pour la compression et la prédiction des états quantiques. The Journal of Chemical Physics, 153 (12) : 124108, septembre 2020. ISSN 0021-9606. 10.1063/5.0024570.
https: / / doi.org/ 10.1063 / 5.0024570
Waseem Rawat et Zenghui Wang. Réseaux de neurones à convolution profonde pour la classification d'images : une revue complète. Calcul neuronal, 29 (9) : 2352-2449, septembre 2017. ISSN 0899-7667. 10.1162/neco_a_00990.
https:///doi.org/10.1162/neco_a_00990
Moritz Reh, Markus Schmitt et Martin Gärttner. Optimiser les choix de conception pour les états quantiques neuronaux. Examen physique B, 107 (19) : 195115, mai 2023. 10.1103/PhysRevB.107.195115.
https: / / doi.org/ 10.1103 / PhysRevB.107.195115
Christopher Roth et Allan H. MacDonald. Les réseaux de neurones convolutifs de groupe améliorent la précision de l’état quantique, mai 2021.
Christopher Roth, Attila Szabó et Allan H. MacDonald. Monte Carlo variationnel de haute précision pour les aimants frustrés avec des réseaux neuronaux profonds. Examen physique B, 108 (5) : 054410, août 2023. 10.1103/PhysRevB.108.054410.
https: / / doi.org/ 10.1103 / PhysRevB.108.054410
Anders W. Sandvik. Mise à l'échelle en taille finie des paramètres de l'état fondamental du modèle Heisenberg bidimensionnel. Examen physique B, 56 (18) : 11678-11690, novembre 1997. 10.1103/PhysRevB.56.11678.
https: / / doi.org/ 10.1103 / PhysRevB.56.11678
HJ Schulz, TAL Ziman et D. Poilblanc. Ordre et désordre magnétiques dans l'antiferromagnétique quantique frustré de Heisenberg en deux dimensions. 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
Ou Sharir, Yoav Levine, Noam Wies, Giuseppe Carleo et Amnon Shashua. Modèles autorégressifs profonds pour la simulation variationnelle efficace des systèmes quantiques à plusieurs corps. Lettres d'examen physique, 124 (2) : 020503, janvier 2020. 10.1103/PhysRevLett.124.020503.
https: / / doi.org/ 10.1103 / PhysRevLett.124.020503
Collaboration Simons sur le problème à plusieurs électrons, 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 et Shiwei Zhang. Vers la solution du problème à plusieurs électrons dans les matériaux réels : équation de l'état de la chaîne de l'hydrogène avec des méthodes à plusieurs corps de pointe. Examen physique X, 7 (3) : 031059, septembre 2017. 10.1103/PhysRevX.7.031059.
https: / / doi.org/ 10.1103 / PhysRevX.7.031059
Alessandro Sinibaldi, Clemens Giuliani, Giuseppe Carleo et Filippo Vicentini. Monte Carlo variationnel impartial et dépendant du temps par évolution quantique projetée. Quantum, 7 : 1131, octobre 2023. 10.22331/q-2023-10-10-1131.
https://doi.org/10.22331/q-2023-10-10-1131
Anton V. Sinitskiy, Loren Greenman et David A. Mazziotti. Forte corrélation dans les chaînes et réseaux d'hydrogène en utilisant la méthode de matrice variationnelle à densité réduite à deux électrons. The Journal of Chemical Physics, 133 (1) : 014104, juillet 2010. ISSN 0021-9606. 10.1063/1.3459059.
https: / / doi.org/ 10.1063 / 1.3459059
Sandro Sorelle. Algorithme de Lanczos généralisé pour Monte Carlo quantique variationnel. Examen physique B, 64 (2) : 024512, juin 2001. 10.1103/PhysRevB.64.024512.
https: / / doi.org/ 10.1103 / PhysRevB.64.024512
Lorenzo Stella, Claudio Attaccalite, Sandro Sorella et Angel Rubio. Forte corrélation électronique dans la chaîne de l'hydrogène : une étude variationnelle de Monte Carlo. Examen physique B, 84 (24) : 245117, décembre 2011. 10.1103/PhysRevB.84.245117.
https: / / doi.org/ 10.1103 / PhysRevB.84.245117
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 et Garnet Kin-Lic Chan. PySCF : le cadre de simulation de chimie basé sur Python. WIREs Computational Molecular Science, 8 (1) : e1340, 2018. ISSN 1759-0884. 10.1002/wcms.1340.
https: / / doi.org/ 10.1002 / wcms.1340
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 et Garnet Kin-Lic Chan. Développements récents dans le package de programmes PySCF. The Journal of Chemical Physics, 153 (2) : 024109, juillet 2020. ISSN 0021-9606. 10.1063/5.0006074.
https: / / doi.org/ 10.1063 / 5.0006074
Xiao-Qi Sun, Tamra Nebabu, Xizhi Han, Michael O. Flynn et Xiao-Liang Qi. Caractéristiques d'intrication des états quantiques des réseaux neuronaux aléatoires. Examen physique B, 106 (11) : 115138, septembre 2022. 10.1103/PhysRevB.106.115138.
https: / / doi.org/ 10.1103 / PhysRevB.106.115138
Attila Szabó et Claudio Castelnovo. Fonctions d'onde du réseau neuronal et problème des signes. Physical Review Research, 2 (3) : 033075, juillet 2020. 10.1103/PhysRevResearch.2.033075.
https: / / doi.org/ 10.1103 / PhysRevResearch.2.033075
Giacomo Torlai, Guglielmo Mazzola, Juan Carrasquilla, Matthias Troyer, Roger Melko et Giuseppe Carleo. Tomographie d'état quantique sur réseau neuronal. 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
Takashi Tsuchimochi et Gustavo E. Scuseria. Fortes corrélations via la théorie du champ moyen à appariement contraint. The Journal of Chemical Physics, 131 (12) : 121102, septembre 2009. ISSN 0021-9606. 10.1063/1.3237029.
https: / / doi.org/ 10.1063 / 1.3237029
Benigno Uria, Marc-Alexandre Côté, Karol Gregor, Iain Murray et Hugo Larochelle. Estimation de la distribution neuronale autorégressive. Journal of Machine Learning Research, 17 (205) : 1-37, 2016. ISSN 1533-7928.
Aaron van den Oord, Nal Kalchbrenner, Lasse Espeholt, Koray Kavukcuoglu, Oriol Vinyals et Alex Graves. Génération d'images conditionnelles avec les décodeurs PixelCNN. Dans Advances in Neural Information Processing Systems, volume 29. Curran Associates, Inc., 2016.
Filippo Vicentini, Damian Hofmann, Attila Szabó, Dian Wu, Christopher Roth, Clemens Giuliani, Gabriel Pescia, Jannes Nys, Vladimir Vargas-Calderón, Nikita Astrakhantsev et Giuseppe Carleo. NetKet 3 : boîte à outils d'apprentissage automatique pour les systèmes quantiques à plusieurs corps. Bases de code SciPost Physics, page 007, août 2022. ISSN 2949-804X. 10.21468/SciPostPhysCodeb.7.
https:///doi.org/10.21468/SciPostPhysCodeb.7
Tom Vieijra, Corneel Casert, Jannes Nys, Wesley De Neve, Jutho Haegeman, Jan Ryckebusch et Frank Verstraete. Machines Boltzmann restreintes pour les états quantiques avec des symétries non abéliennes ou anyoniques. Lettres d'examen physique, 124 (9) : 097201, mars 2020. 10.1103/PhysRevLett.124.097201.
https: / / doi.org/ 10.1103 / PhysRevLett.124.097201
Luciano Loris Viteritti, Riccardo Rende et Federico Becca. Fonctions d'onde variationnelle du transformateur pour les systèmes de spin quantique frustrés. Lettres d'examen physique, 130 (23) : 236401, juin 2023. 10.1103/PhysRevLett.130.236401.
https: / / doi.org/ 10.1103 / PhysRevLett.130.236401
Yezhen Wang, Tong Che, Bo Li, Kaitao Song, Hengzhi Pei, Yoshua Bengio et Dongsheng Li. Votre modèle génératif autorégressif peut être meilleur si vous le traitez comme un modèle basé sur l'énergie, juin 2022.
Tom Westerhout, Nikita Astrakhantsev, Konstantin S. Tikhonov, Mikhail I. Katsnelson et Andrey A. Bagrov. Propriétés de généralisation des approximations des réseaux neuronaux aux états fondamentaux des aimants frustrés. Nature Communications, 11 (1) : 1593, mars 2020. ISSN 2041-1723. 10.1038/s41467-020-15402-w.
https: / / doi.org/ 10.1038 / s41467-020-15402-w
Dian Wu, Riccardo Rossi, Filippo Vicentini et Giuseppe Carleo. Des états quantiques de réseaux tensoriels aux réseaux neuronaux tensoriels récurrents. Physical Review Research, 5 (3) : L032001, juillet 2023. 10.1103/PhysRevResearch.5.L032001.
https:///doi.org/10.1103/PhysRevResearch.5.L032001
Huanchen Zhai et Garnet Kin-Lic Chan. Algorithmes de groupe de renormalisation de matrice de densité ab initio à faible communication et hautes performances. The Journal of Chemical Physics, 154 (22) : 224116, juin 2021. ISSN 0021-9606. 10.1063/5.0050902.
https: / / doi.org/ 10.1063 / 5.0050902
Yuan-Hang Zhang et Massimiliano Di Ventra. État quantique du transformateur : un modèle polyvalent pour les problèmes quantiques à N corps. Examen physique B, 107 (7) : 075147, février 2023. 10.1103/PhysRevB.107.075147.
https: / / doi.org/ 10.1103 / PhysRevB.107.075147
Tianchen Zhao, Saibal De, Brian Chen, James Stokes et Shravan Veerapaneni. Surmonter les obstacles à l’évolutivité dans le Monte Carlo quantique variationnel. Dans Actes de la Conférence internationale sur le calcul, la mise en réseau, le stockage et l'analyse haute performance, SC '21, pages 1 à 13, New York, NY, États-Unis, novembre 2021. Association for Computing Machinery. ISBN978-1-4503-8442-1. 10.1145/3458817.3476219.
https: / / doi.org/ 10.1145 / 3458817.3476219
Tianchen Zhao, James Stokes et Shravan Veerapaneni. Architecture d’états quantiques neuronaux évolutive pour la chimie quantique. Apprentissage automatique : science et technologie, 4 (2) : 025034, juin 2023. ISSN 2632-2153. 10.1088/2632-2153/acdb2f.
https:///doi.org/10.1088/2632-2153/acdb2f
Ding-Xuan Zhou. Universalité des réseaux de neurones convolutifs profonds. Analyse harmonique appliquée et informatique, 48 (2) : 787-794, mars 2020. ISSN 1063-5203. 10.1016/j.acha.2019.06.004.
https: / / doi.org/ 10.1016 / j.acha.2019.06.004
Cité par
Cet article est publié dans Quantum sous le Creative Commons Attribution 4.0 International (CC BY 4.0) Licence. Le droit d'auteur reste la propriété des détenteurs d'origine tels que les auteurs ou leurs institutions.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
- La source: https://quantum-journal.org/papers/q-2024-02-08-1245/
- :possède
- :est
- :où
- ][p
- 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
- capacité
- RÉSUMÉ
- accès
- précision
- à travers
- Adam
- adapter
- avances
- avantageux
- affecter
- affiliations
- AI
- alex
- Alexandre
- algorithme
- algorithmes
- aussi
- des alternatives
- Américaine
- an
- selon une analyse de l’Université de Princeton
- l'analyse
- ainsi que
- Andrew
- Angel
- annuel
- tous
- Application
- applications
- appliqué
- Application
- approximatif
- Avril
- arbitraire
- architecture
- Réservé
- artificiel
- AS
- associés
- Association
- At
- Août
- auteur
- auteurs
- avenue
- en évitant
- obstacles
- Bayésien
- BE
- était
- comportement
- Améliorée
- biais
- Pause
- Brian
- combler
- apporter
- vaste
- Bryan
- by
- CAN
- prudent
- carlos
- chaîne
- Chaînes
- chan
- Chapitre
- la chimie
- chimie
- chen
- le choix
- choix
- chong
- Choo
- Chris
- chrétien
- Christopher
- contourner
- classe
- les classes
- classification
- collaboration
- Université
- commentaire
- Chambre des communes
- Communication
- Communications
- complet
- calcul
- calcul
- informatique
- conclut
- La matière condensée
- Congrès
- Conséquences
- construction
- droit d'auteur
- Core
- Corrélation
- corrélations
- Prix
- couvrant
- engendrent
- critique
- courbe
- Daniel
- données
- data-driven
- David
- Davis
- de
- Décembre
- profond
- décrire
- décrivant
- la description
- Conception
- Développement
- développements
- différent
- dimensions
- découverte
- discuter
- trouble
- distribution
- faire
- Médicaments
- dynamique
- e
- Edwin
- efficace
- efficace
- Electronique
- électrons
- émergé
- permettant
- imposer
- ENGINEERING
- enchevêtrement
- Environment
- Ère
- erez
- erreur
- EV
- JAMAIS
- évolution
- Exotique
- exploitant
- exponentiel
- loin
- Fonctionnalités:
- Février
- Février
- Federico
- Des champs
- une fonction filtre
- filtres
- Trouvez
- fixé
- Flexibilité
- Flux
- Pour
- Accueillir
- trouvé
- Framework
- franc
- De
- frustré
- plein
- fonction
- fonctions
- GAO
- Général
- Généralisé
- génération
- génératif
- George
- Gomez
- graphique
- Sol
- Réservation de groupe
- Vous avez
- aider
- Henri
- Hermès
- Haute
- titulaires
- détient
- capuche
- d'espérance
- Comment
- Cependant
- HTTPS
- hugo
- humain
- accroché
- Hydrogénation
- i
- IEEE
- if
- image
- Classification des images
- Reconnaissance d'image
- Impact
- important
- améliorer
- in
- Inc
- intégrer
- Améliore
- d'information
- idées.
- inspiré
- les établissements privés
- Intelligence
- interagissant
- l'interaction
- intéressant
- International
- développement
- introduire
- enquête
- vous aider à faire face aux problèmes qui vous perturbent
- IT
- SES
- ivan
- Jacques
- Janvier
- Janvier
- JavaScript
- pince-monseigneur
- John
- Journal
- jpg
- Jean
- Juillet
- juin
- King
- connu
- paysage d'été
- langue
- lauren
- Lois
- poules pondeuses
- apprentissage
- Laisser
- Cours magistral
- Niveau
- Levine
- Li
- Licence
- lumière
- limites
- lin
- Liquide
- London
- Location
- Style
- perte
- Faible
- macdonald
- click
- machine learning
- machinerie
- Les machines
- Aimants
- de nombreuses
- Mars
- mars 2020
- mario
- marque
- Martin
- matériellement
- matières premières.
- mathématique
- Matrice
- Matière
- matthew
- largeur maximale
- Mai..
- méthode
- méthodes
- Michael
- mikhail
- Mixage audio
- modèle
- la modélisation
- numériques jumeaux (digital twin models)
- Villas Modernes
- Mohamed
- moléculaire
- molécule
- Mois
- PLUS
- Murray
- Nature
- nécessaire
- réseau et
- de mise en réseau
- réseaux
- neural
- Réseau neuronal
- les réseaux de neurones
- Nouveauté
- New York
- Nguyen
- entaille
- Bruit
- Nomura
- Nord
- Novembre
- Novembre 2021
- nucléaire
- nombre
- NY
- objet
- octobre
- of
- on
- ONE
- en ligne
- ouvert
- à mettre en œuvre pour gérer une entreprise rentable. Ce guide est basé sur trois décennies d'expérience
- l'optimisation
- or
- de commander
- original
- nos
- surmonter
- vue d'ensemble
- paquet
- page
- pages
- Papier
- paramètres
- particulier
- Patron de Couture
- paul
- Payer
- performant
- Peter
- Pham
- Physique
- Physique
- Platon
- Intelligence des données Platon
- PlatonDonnées
- défaillances
- power
- solide
- La précision
- prédiction
- représentent
- Problème
- d'ouvrabilité
- procédure
- Procédures
- processus
- traitement
- Produit
- Programme
- Progrès
- projetée
- PROMETTONS
- prometteur
- propriétés
- propriété
- fournir
- fournit
- publié
- éditeur
- Qi
- quadratique
- Quantum
- l'informatique quantique
- intrication quantique
- informations quantiques
- particules quantiques
- systèmes quantiques
- R
- aléatoire
- gamme
- rapidement
- rapport
- RAY
- réal
- récent
- récemment
- reconnaissance
- récurrent
- Prix Réduit
- raffiné
- reste
- représentation
- conditions
- a besoin
- un article
- résoudre
- restauration
- limité
- résultant
- Résultats
- Révélé
- Avis
- Avis
- rigoureux
- Rôle
- s
- Sam
- Sandeep
- répondre
- SC
- Évolutivité
- évolutive
- mise à l'échelle
- Sciences
- Science et technologie
- Septembre
- Sharma
- briller
- montrer
- signer
- simulation
- simulations
- faibles
- So
- sur mesure
- Résoudre
- chanson
- Space
- Spectroscopie
- Spin
- Région
- state-of-the-art
- États
- Statut
- Stephen
- steven
- storage
- STRONG
- structure
- étudié
- Étude
- succès
- tel
- Dimanche
- Support
- combustion propre
- Système
- équipe
- techniques
- Les technologies
- Technologie
- conditions
- que
- qui
- La
- leur
- Les
- théorique
- théorie
- Là.
- Ces
- this
- Ainsi
- fiable
- Titre
- à
- ensemble
- tom
- Boîte à outils
- Boîte à outils
- les outils
- vers
- vers
- Transactions
- transformateur
- traiter
- deux
- ultime
- sous
- unifiée
- Uni
- Universel
- ouvrir
- URL
- États-Unis
- en utilisant
- via
- le volume
- vs
- W
- wang
- souhaitez
- Vague
- we
- WELL
- qui
- tout en
- blanc
- comprenant
- activités principales
- wu
- X
- xiao
- an
- york
- Vous n'avez
- Votre
- zéphyrnet
- Zhao