Impatto della modellazione condizionale per uno stato quantistico autoregressivo universale

Impatto della modellazione condizionale per uno stato quantistico autoregressivo universale

Timestamp: 8 febbraio 2024 7:49

Massimo Bortone, Yannic Rath e George H. Booth

Dipartimento di Fisica, King's College London, Strand, Londra WC2R 2LS, Regno Unito

Trovi questo documento interessante o vuoi discuterne? Scrivi o lascia un commento su SciRate.

Astratto

Presentiamo un quadro generalizzato per adattare gli approssimatori universali dello stato quantistico, consentendo loro di soddisfare una rigorosa normalizzazione e proprietà autoregressive. Introduciamo anche filtri come analoghi agli strati convoluzionali nelle reti neurali per incorporare correlazioni simmetrizzate traslazionalmente in stati quantistici arbitrari. Applicando questo quadro allo stato del processo gaussiano, applichiamo proprietà autoregressive e/o di filtro, analizzando l'impatto dei bias induttivi risultanti sulla flessibilità variazionale, sulle simmetrie e sulle quantità conservate. In tal modo riuniamo diversi stati autoregressivi in ​​un quadro unificato per risposte ispirate al machine learning. I nostri risultati forniscono informazioni su come la costruzione autoregressiva influenza la capacità di un modello variazionale di descrivere le correlazioni nei modelli di spin e reticolo fermionico, nonché sui problemi di struttura elettronica ab $initio$ in cui la scelta della rappresentazione influisce sull'accuratezza. Concludiamo che, pur consentendo un campionamento efficiente e diretto, evitando così problemi di autocorrelazione e perdita di ergodicità nel campionamento di Metropolis, la costruzione autoregressiva vincola materialmente l'espressività del modello in molti sistemi.

Impatto della modellazione condizionale per uno stato quantistico autoregressivo universale PlatoBlockchain Data Intelligence. Ricerca verticale. Ai.

Riepilogo popolare

La risoluzione computazionale delle particelle quantistiche interagenti, come gli elettroni in una molecola, promette di sbloccare molte potenziali applicazioni in una vasta gamma di campi, dalla progettazione di nuovi farmaci alla scoperta di materiali esotici. Tuttavia, ciò richiede l’elusione del ridimensionamento esponenziale della funzione d’onda quantistica a molti corpi, l’oggetto matematico centrale che descrive il comportamento di questi elettroni. La parametrizzazione di questi stati con tecniche ispirate alla compressione trovata nei recenti strumenti di apprendimento automatico è emersa come una strada promettente per il progresso, con un’ampia gamma di applicabilità. Ciò fornisce un modello surrogato della funzione d'onda con un numero di parametri molto inferiore rispetto al numero intrattabile necessario per una descrizione completa.

Tuttavia, un'attenta progettazione del modello surrogato ha importanti conseguenze in termini di accuratezza dell'approssimazione e di efficienza della procedura di ottimizzazione. In questo lavoro esaminiamo da vicino una classe particolare di questi stati ispirati all'apprendimento automatico noti come modelli autoregressivi, che sono stati recentemente resi popolari grazie al loro successo nel riconoscimento delle immagini e alle vantaggiose proprietà di campionamento. Mostreremo come classi più generali di stati possano ereditare questa proprietà e districheremo come le diverse scelte di progettazione influenzino le prestazioni di questi modelli.

Attraverso la nostra analisi e applicazione agli stati fondamentali di una serie di problemi quantistici a molti corpi, scopriamo che c’è un costo da pagare per la proprietà autoregressiva in termini della sua massima flessibilità nel descrivere questi stati con un numero fisso di parametri. Con il nostro lavoro speriamo di far luce su importanti scelte progettuali necessarie per lo sviluppo di modelli surrogati sempre più potenti per la funzione d'onda delle particelle quantistiche interagenti.

► dati BibTeX

► Riferimenti

, Daniel P. Arovas, Erez Berg, Steven Kivelson e Srinivas Raghu. Il modello Hubbard. Revisione annuale della fisica della materia condensata, 13 (1): 239–274, marzo 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 e AI Lvovsky. Funzioni d'onda autoregressive della rete neurale per la chimica quantistica ab initio. Nature Machine Intelligence, 4 (4): 351–358, aprile 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 e Chris G. Willcocks. Modellazione generativa profonda: una revisione comparativa di VAE, GAN, flussi di normalizzazione, modelli basati sull'energia e autoregressivi. IEEE Transactions on Pattern Analysis and Machine Intelligence, 44 (11): 7327–7347, novembre 2022. ISSN 1939-3539. 10.1109/​TPAMI.2021.3116668.
https: / / doi.org/ 10.1109 / TPAMI.2021.3116668

, Artem Borin e Dmitry A. Abanin. Potenza approssimativa dell'ansatz dell'apprendimento automatico per stati quantistici a molti corpi. Physical Review B, 101 (19): 195141, maggio 2020. 10.1103/​PhysRevB.101.195141.
https: / / doi.org/ 10.1103 / PhysRevB.101.195141

, Sergey Bravyi, Giuseppe Carleo, David Gosset e Yinchen Liu. Una catena di Markov che si mescola rapidamente da qualsiasi sistema quantistico a molti corpi con gap. 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 e Maxime Dupont. Apprendimento dello stato fondamentale di un hamiltoniano quantistico non stoquastico in un paesaggio accidentato di reti neurali. SciPost Physics, 10 (6): 147, giugno 2021. ISSN 2542-4653. 10.21468/​SciPostPhys.10.6.147.
https: / / doi.org/ 10.21468 mila / SciPostPhys.10.6.147

, Giuseppe Carleo e Matthias Troyer. Risoluzione del problema quantistico a molti corpi con reti neurali artificiali. Science, 355 (6325): 602–606, febbraio 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 e Alexander Wietek. NetKet: un toolkit di apprendimento automatico per sistemi quantistici a molti corpi. SoftwareX, 10: 100311, luglio 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 e Leandro Aolita. Ricostruire stati quantistici con modelli generativi. Nature Machine Intelligence, 1 (3): 155–161, marzo 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 e Simone Montangero. Curva di Hilbert vs spazio di Hilbert: sfruttare la copertura 2D frattale per aumentare l'efficienza della rete tensore. Quantum, 5: 556, settembre 2021. 10.22331/​q-2021-09-29-556.
https:/​/​doi.org/​10.22331/​q-2021-09-29-556

, Ao Chen e Markus Heyl. Ottimizzazione efficiente degli stati quantistici neurali profondi verso la precisione della macchina, febbraio 2023.
arXiv: 2302.01941

, Zhuo Chen, Laker Newhouse, Eddie Chen, Di Luo e Marin Soljacic. ANTN: collegamento di reti neurali autoregressive e reti tensoriali per la simulazione quantistica a molti corpi. Nella trentasettesima conferenza sui sistemi di elaborazione delle informazioni neurali, novembre 2023.

, Kenny Choo, Titus Neupert e Giuseppe Carleo. Modello $J_{1}-J_{2}$ frustrato bidimensionale studiato con stati quantistici di reti neurali. Physical Review B, 100 (12): 125124, settembre 2019. 10.1103/​PhysRevB.100.125124.
https: / / doi.org/ 10.1103 / PhysRevB.100.125124

, Kenny Choo, Antonio Mezzacapo e Giuseppe Carleo. Stati della rete neurale fermionica per la struttura elettronica ab-initio. Nature Communications, 11 (1): 2368, maggio 2020. ISSN 2041-1723. 10.1038/​s41467-020-15724-9.
https:/​/​doi.org/​10.1038/​s41467-020-15724-9

, Stephen R. Clark. Unificazione degli stati quantistici della rete neurale e degli stati del prodotto correlatore tramite reti tensoriali. Journal of Physics A: Mathematical and Theoretical, 51 (13): 135301, febbraio 2018. ISSN 1751-8121. 10.1088/​1751-8121/​aaaaf2.
https://​/​doi.org/​10.1088/​1751-8121/​aaaaf2

, Dong-Ling Deng, Xiaopeng Li e S. Das Sarma. Entanglement quantistico negli stati della rete neurale. Physical Review X, 7 (2): 021021, maggio 2017. 10.1103/​PhysRevX.7.021021.
https: / / doi.org/ 10.1103 / PhysRevX.7.021021

, Kaelan Donatella, Zakari Denis, Alexandre Le Boité e Cristiano Ciuti. Dinamica con stati quantistici neurali autoregressivi: applicazione alle dinamiche di quench critico. Physical Review A, 108 (2): 022210, agosto 2023. 10.1103/​PhysRevA.108.022210.
https: / / doi.org/ 10.1103 / PhysRevA.108.022210

, J. Eisert, M. Cramer e MB Plenio. Leggi d'area per l'entropia di entanglement. Recensioni di Modern Physics, 82 (1): 277–306, febbraio 2010. 10.1103/RevModPhys.82.277.
https: / / doi.org/ 10.1103 / RevModPhys.82.277

, JM Foster e SF Boys. Procedura di interazione configurazionale canonica. Recensioni di fisica moderna, 32 (2): 300–302, aprile 1960. 10.1103/RevModPhys.32.300.
https: / / doi.org/ 10.1103 / RevModPhys.32.300

, Clemens Giuliani, Filippo Vicentini, Riccardo Rossi e Giuseppe Carleo. Apprendimento degli stati fondamentali di hamiltoniani quantistici con gap con metodi kernel. Quantum, 7: 1096, agosto 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 e George H. Booth. Stati del processo gaussiano: una rappresentazione basata sui dati della fisica quantistica a molti corpi. Physical Review X, 10 (4): 041026, novembre 2020. 10.1103/​PhysRevX.10.041026.
https: / / doi.org/ 10.1103 / PhysRevX.10.041026

, Johannes Hachmann, Wim Cardoen e Garnet Kin-Lic Chan. Correlazione multiriferimento in molecole lunghe con il gruppo di rinormalizzazione della matrice di densità di ridimensionamento quadratico. The Journal of Chemical Physics, 125 (14): 144101, ottobre 2006. ISSN 0021-9606. 10.1063/​1.2345196.
https: / / doi.org/ 10.1063 / 1.2345196 mila

, Jan Hermann, Zeno Schätzle e Frank Noé. Soluzione della rete neurale profonda dell'equazione elettronica di Schrödinger. Chimica della natura, 12 (10): 891–897, ottobre 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 e Frank Noé. Chimica quantistica ab initio con funzioni d'onda della rete neurale. Nature Reviews Chemistry, 7 (10): 692–709, ottobre 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 e Juan Carrasquilla. Funzioni d'onda ricorrenti della rete neurale. Physical Review Research, 2 (2): 023358, giugno 2020. 10.1103/​PhysRevResearch.2.023358.
https: / / doi.org/ 10.1103 / PhysRevResearch.2.023358

, Mohamed Hibat-Allah, Roger G. Melko e Juan Carrasquilla. Integrazione delle funzioni d'onda della rete neurale ricorrente con simmetria e ricottura per migliorare la precisione, luglio 2022.

, Mohamed Hibat-Allah, Roger G. Melko e Juan Carrasquilla. Indagare l'ordine topologico utilizzando reti neurali ricorrenti. Physical Review B, 108 (7): 075152, agosto 2023. 10.1103/​PhysRevB.108.075152.
https: / / doi.org/ 10.1103 / PhysRevB.108.075152

, Hinton, Geoffrey, Srivastava, Nitish, e Swersky, Kevin. Lezione 6a: Panoramica sulla discesa del gradiente in mini-batch, 2012.

, Damian Hofmann, Giammarco Fabiani, Johan Mentink, Giuseppe Carleo e Michael Sentef. Ruolo del rumore stocastico e dell'errore di generalizzazione nella propagazione temporale degli stati quantistici delle reti neurali. SciPost Physics, 12 (5): 165, maggio 2022. ISSN 2542-4653. 10.21468/​SciPostPhys.12.5.165.
https: / / doi.org/ 10.21468 mila / SciPostPhys.12.5.165

, Bjarni Jónsson, Bela Bauer e Giuseppe Carleo. Stati della rete neurale per la simulazione classica dell'informatica quantistica, agosto 2018.

, Diederik P. Kingma e Jimmy Ba. Adam: un metodo per l'ottimizzazione stocastica, gennaio 2017.

, Gruppo di ricerca elettronica del King's College di Londra. 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

, Dmitrii Kochkov e Bryan K. Clark. Ottimizzazione variazionale nell'era dell'intelligenza artificiale: stati dei grafici computazionali e ottimizzazione della funzione d'onda supervisionata. arXiv:1811.12423 [cond-mat, fisica:fisica], novembre 2018.
arXiv: 1811.12423

, Chu-Cheng Lin, Aaron Jaech, Xin Li, Matthew R. Gormley e Jason Eisner. Limitazioni dei modelli autoregressivi e loro alternative. In Atti della conferenza del 2021 della sezione nordamericana dell'Associazione per la linguistica computazionale: tecnologie del linguaggio umano, pagine 5147–5173, online, giugno 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 e Frank Pollmann. Ridimensionamento degli stati quantistici della rete neurale per l'evoluzione temporale. physica 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, and Noemi Rocco. Stati quantistici della rete neurale con nucleoni nascosti per il problema nucleare a molti corpi. Physical Review Research, 4 (4): 043178, dicembre 2022. 10.1103/​PhysRevResearch.4.043178.
https: / / doi.org/ 10.1103 / PhysRevResearch.4.043178

, Di Luo, Zhuo Chen, Juan Carrasquilla e Bryan K. Clark. Rete neurale autoregressiva per la simulazione di sistemi quantistici aperti tramite una formulazione probabilistica. Physical Review Letters, 128 (9): 090501, febbraio 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 e Bryan K. Clark. Rete neurale autoregressiva invariante di calibro e anionico-simmetrica per modelli di reticolo quantistico. Physical Review Research, 5 (1): 013216, marzo 2023. 10.1103/​PhysRevResearch.5.013216.
https: / / doi.org/ 10.1103 / PhysRevResearch.5.013216

, Aleksei Malyshev, Juan Miguel Arrazola e AI Lvovsky. Stati quantistici neurali autoregressivi con simmetrie dei numeri quantici, ottobre 2023.

, Matija Medvidović e Giuseppe Carleo. Simulazione variazionale classica dell'algoritmo di ottimizzazione approssimata quantistica. npj Quantum Information, 7 (1): 1–7, giugno 2021. ISSN 2056-6387. 10.1038/​s41534-021-00440-z.
https: / / doi.org/ 10.1038 / s41534-021-00440-z

, Yusuke Nomura. Aiutare le macchine Boltzmann limitate con la rappresentazione dello stato quantistico ripristinando la simmetria. Journal of Physics: Condensed Matter, 33 (17): 174003, aprile 2021. ISSN 0953-8984. 10.1088/​1361-648X/​abe268.
https://​/​doi.org/​10.1088/​1361-648X/​abe268

, Yusuke Nomura e Masatoshi Imada. Liquido con spin nodale di tipo Dirac rivelato da un raffinato risolutore quantistico a molti corpi utilizzando la funzione d'onda della rete neurale, il rapporto di correlazione e la spettroscopia di livello. Physical Review X, 11 (3): 031034, agosto 2021. 10.1103/​PhysRevX.11.031034.
https: / / doi.org/ 10.1103 / PhysRevX.11.031034

, David Pfau, James S. Spencer, Alexander GDG Matthews e WMC Foulkes. Soluzione ab initio dell'equazione di Schrödinger a molti elettroni con reti neurali profonde. Physical Review Research, 2 (3): 033429, settembre 2020. 10.1103/​PhysRevResearch.2.033429.
https: / / doi.org/ 10.1103 / PhysRevResearch.2.033429

, Yannic Rath e George H. Booth. Stato del processo gaussiano quantistico: uno stato ispirato al kernel con dati di supporto quantistico. Physical Review Research, 4 (2): 023126, maggio 2022. 10.1103/​PhysRevResearch.4.023126.
https: / / doi.org/ 10.1103 / PhysRevResearch.4.023126

, Yannic Rath e George H. Booth. Framework per strutture elettroniche efficienti ab initio con stati di processo gaussiani. Physical Review B, 107 (20): 205119, maggio 2023. 10.1103/​PhysRevB.107.205119.
https: / / doi.org/ 10.1103 / PhysRevB.107.205119

, Yannic Rath, Aldo Glielmo e George H. Booth. Un quadro di inferenza bayesiano per la compressione e la previsione degli stati quantistici. The Journal of Chemical Physics, 153 (12): 124108, settembre 2020. ISSN 0021-9606. 10.1063/​5.0024570.
https: / / doi.org/ 10.1063 / 5.0024570 mila

, Waseem Rawat e Zenghui Wang. Reti neurali convoluzionali profonde per la classificazione delle immagini: una revisione completa. Neural Computation, 29 (9): 2352–2449, settembre 2017. ISSN 0899-7667. 10.1162/​neco_a_00990.
https://​/​doi.org/​10.1162/​neco_a_00990

, Moritz Reh, Markus Schmitt e Martin Gärttner. Ottimizzazione delle scelte di progettazione per gli stati quantistici neurali. Physical Review B, 107 (19): 195115, maggio 2023. 10.1103/​PhysRevB.107.195115.
https: / / doi.org/ 10.1103 / PhysRevB.107.195115

, Christopher Roth e Allan H. MacDonald. Le reti neurali convoluzionali di gruppo migliorano l'accuratezza dello stato quantistico, maggio 2021.

, Christopher Roth, Attila Szabó e Allan H. MacDonald. Monte Carlo variazionale ad alta precisione per magneti frustrati con reti neurali profonde. Physical Review B, 108 (5): 054410, agosto 2023. 10.1103/​PhysRevB.108.054410.
https: / / doi.org/ 10.1103 / PhysRevB.108.054410

, Anders W. Sandvik. Ridimensionamento a dimensione finita dei parametri dello stato fondamentale del modello bidimensionale di Heisenberg. Physical Review B, 56 (18): 11678–11690, novembre 1997. 10.1103/​PhysRevB.56.11678.
https: / / doi.org/ 10.1103 / PhysRevB.56.11678

, HJ Schulz, TAL Ziman e D. Poilblanc. Ordine e disordine magnetico nell'antiferromagnete di Heisenberg quantistico frustrato in due dimensioni. Journal de Physique I, 6 (5): 675–703, maggio 1996. ISSN 1155-4304, 1286-4862. 10.1051/jp1:1996236.
https://​/​doi.org/​10.1051/​jp1:1996236

, Oppure Sharir, Yoav Levine, Noam Wies, Giuseppe Carleo e Amnon Shashua. Modelli autoregressivi profondi per la simulazione variazionale efficiente di sistemi quantistici a molti corpi. Physical Review Letters, 124 (2): 020503, gennaio 2020. 10.1103/​PhysRevLett.124.020503.
https: / / doi.org/ 10.1103 / PhysRevLett.124.020503

, 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 e Shiwei Zhang. Verso la soluzione del problema a molti elettroni nei materiali reali: equazione dello stato della catena dell'idrogeno con metodi a molti corpi all'avanguardia. Physical Review X, 7 (3): 031059, settembre 2017. 10.1103/​PhysRevX.7.031059.
https: / / doi.org/ 10.1103 / PhysRevX.7.031059

, Alessandro Sinibaldi, Clemens Giuliani, Giuseppe Carleo, and Filippo Vicentini. Monte Carlo variazionale imparziale dipendente dal tempo mediante evoluzione quantistica proiettata. Quantum, 7: 1131, ottobre 2023. 10.22331/​q-2023-10-10-1131.
https:/​/​doi.org/​10.22331/​q-2023-10-10-1131

, Anton V. Sinitskiy, Loren Greenman e David A. Mazziotti. Forte correlazione nelle catene e nei reticoli di idrogeno utilizzando il metodo variazionale della matrice a densità ridotta a due elettroni. The Journal of Chemical Physics, 133 (1): 014104, luglio 2010. ISSN 0021-9606. 10.1063/​1.3459059.
https: / / doi.org/ 10.1063 / 1.3459059 mila

, Sandro Sorella. Algoritmo di Lanczos generalizzato per Monte Carlo quantistico variazionale. Physical Review B, 64 (2): 024512, giugno 2001. 10.1103/​PhysRevB.64.024512.
https: / / doi.org/ 10.1103 / PhysRevB.64.024512

, Lorenzo Stella, Claudio Attaccalite, Sandro Sorella e Angel Rubio. Forte correlazione elettronica nella catena dell'idrogeno: uno studio Monte Carlo variazionale. Physical Review B, 84 (24): 245117, dicembre 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 e Garnet Kin-Lic Chan. PySCF: il framework di simulazioni chimiche basato su 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 e Garnet Kin-Lic Chan. Sviluppi recenti nel pacchetto di programmi PySCF. The Journal of Chemical Physics, 153 (2): 024109, luglio 2020. ISSN 0021-9606. 10.1063/​5.0006074.
https: / / doi.org/ 10.1063 / 5.0006074 mila

, Xiao-Qi Sun, Tamra Nebabu, Xizhi Han, Michael O. Flynn e Xiao-Liang Qi. Caratteristiche di entanglement degli stati quantistici di reti neurali casuali. Physical Review B, 106 (11): 115138, settembre 2022. 10.1103/​PhysRevB.106.115138.
https: / / doi.org/ 10.1103 / PhysRevB.106.115138

, Attila Szabó e Claudio Castelnovo. Funzioni d'onda della rete neurale e problema dei segni. Physical Review Research, 2 (3): 033075, luglio 2020. 10.1103/​PhysRevResearch.2.033075.
https: / / doi.org/ 10.1103 / PhysRevResearch.2.033075

, Giacomo Torlai, Guglielmo Mazzola, Juan Carrasquilla, Matthias Troyer, Roger Melko e Giuseppe Carleo. Tomografia dello stato quantistico della rete neurale. Nature Physics, 14 (5): 447–450, maggio 2018. ISSN 1745-2481. 10.1038/​s41567-018-0048-5.
https:/​/​doi.org/​10.1038/​s41567-018-0048-5

, Takashi Tsuchimochi e Gustavo E. Scuseria. Forti correlazioni tramite la teoria del campo medio di accoppiamento vincolato. The Journal of Chemical Physics, 131 (12): 121102, settembre 2009. ISSN 0021-9606. 10.1063/​1.3237029.
https: / / doi.org/ 10.1063 / 1.3237029 mila

, Benigno Uria, Marc-Alexandre Côté, Karol Gregor, Iain Murray e Hugo Larochelle. Stima della distribuzione autoregressiva neurale. 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 e Alex Graves. Generazione di immagini condizionali con decoder PixelCNN. In 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 e Giuseppe Carleo. NetKet 3: toolbox di machine learning per sistemi quantistici a molti corpi. SciPost Physics Codebases, pagina 007, agosto 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 e Frank Verstraete. Macchine di Boltzmann limitate per stati quantistici con simmetrie non abeliane o anioniche. Physical Review Letters, 124 (9): 097201, marzo 2020. 10.1103/​PhysRevLett.124.097201.
https: / / doi.org/ 10.1103 / PhysRevLett.124.097201

, Luciano Loris Viteritti, Riccardo Rende, and Federico Becca. Funzioni d'onda variazionali del trasformatore per sistemi di spin quantistico frustrati. Physical Review Letters, 130 (23): 236401, giugno 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 e Dongsheng Li. Il tuo modello generativo autoregressivo può essere migliore se lo tratti come un modello energetico, giugno 2022.

, Tom Westerhout, Nikita Astrakhantsev, Konstantin S. Tikhonov, Mikhail I. Katsnelson e Andrey A. Bagrov. Proprietà di generalizzazione delle approssimazioni delle reti neurali agli stati fondamentali dei magneti frustrati. Nature Communications, 11 (1): 1593, marzo 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 e Giuseppe Carleo. Dagli stati quantistici delle reti tensoriali alle reti neurali ricorrenti tensoriali. Physical Review Research, 5 (3): L032001, luglio 2023. 10.1103/​PhysRevResearch.5.L032001.
https://​/​doi.org/​10.1103/​PhysRevResearch.5.L032001

, Huanchen Zhai e Garnet Kin-Lic Chan. Algoritmi di gruppo di rinormalizzazione della matrice di densità ab initio a bassa comunicazione e ad alte prestazioni. The Journal of Chemical Physics, 154 (22): 224116, giugno 2021. ISSN 0021-9606. 10.1063/​5.0050902.
https: / / doi.org/ 10.1063 / 5.0050902 mila

, Yuan-Hang Zhang e Massimiliano Di Ventra. Stato quantistico del trasformatore: un modello multiuso per problemi quantistici a molti corpi. Physical Review B, 107 (7): 075147, febbraio 2023. 10.1103/​PhysRevB.107.075147.
https: / / doi.org/ 10.1103 / PhysRevB.107.075147

, Tianchen Zhao, Saibal De, Brian Chen, James Stokes e Shravan Veerapaneni. Superare le barriere alla scalabilità nel Monte Carlo quantistico variazionale. Negli atti della conferenza internazionale per il calcolo, la rete, l'archiviazione e l'analisi ad alte prestazioni, SC '21, pagine 1–13, New York, NY, USA, novembre 2021. Association for Computing Machinery. ISBN 978-1-4503-8442-1. 10.1145/​3458817.3476219.
https: / / doi.org/ 10.1145 / 3458817.3476219 mila

, Tianchen Zhao, James Stokes e Shravan Veerapaneni. Architettura scalabile degli stati quantistici neurali per la chimica quantistica. Machine Learning: Scienza e tecnologia, 4 (2): 025034, giugno 2023. ISSN 2632-2153. 10.1088/​2632-2153/​acdb2f.
https://​/​doi.org/​10.1088/​2632-2153/​acdb2f

, Ding-Xuan Zhou. Universalità delle reti neurali convoluzionali profonde. Analisi armonica applicata e computazionale, 48 (2): 787–794, marzo 2020. ISSN 1063-5203. 10.1016/​j.acha.2019.06.004.
https: / / doi.org/ 10.1016 / j.acha.2019.06.004

Citato da

Questo documento è pubblicato in Quantum sotto il Creative Commons Attribuzione 4.0 Internazionale (CC BY 4.0) licenza. Il copyright rimane dei detentori del copyright originali come gli autori o le loro istituzioni.

Timestamp:

Di più da Diario quantistico