Effekten av betinget modellering for en universell autoregressiv kvantetilstand

Publisert av Platon

Følgere: 0

Massimo Bortone, Yannic Rath og George H. Booth

Institutt for fysikk, King's College London, Strand, London WC2R 2LS, Storbritannia

Finn dette papiret interessant eller vil diskutere? Scite eller legg igjen en kommentar på SciRate.

Abstrakt

Vi presenterer et generalisert rammeverk for å tilpasse universelle kvantetilstandapproksimatorer, slik at de kan tilfredsstille streng normalisering og autoregressive egenskaper. Vi introduserer også filtre som analoger til konvolusjonslag i nevrale nettverk for å inkorporere translasjonssymmetriske korrelasjoner i vilkårlige kvantetilstander. Ved å bruke dette rammeverket på den Gaussiske prosesstilstand, håndhever vi autoregressive og/eller filteregenskaper, og analyserer virkningen av de resulterende induktive skjevhetene på variasjonsfleksibilitet, symmetrier og bevarte mengder. Ved å gjøre dette samler vi forskjellige autoregressive tilstander under et enhetlig rammeverk for maskinlæringsinspirert ansätze. Resultatene våre gir innsikt i hvordan den autoregressive konstruksjonen påvirker evnen til en variasjonsmodell til å beskrive korrelasjoner i spinn- og fermioniske gittermodeller, samt ab $initio$ elektroniske strukturproblemer der valg av representasjon påvirker nøyaktigheten. Vi konkluderer med at selv om den muliggjør effektiv og direkte prøvetaking, og dermed unngår autokorrelasjon og tap av ergodisitetsproblemer i Metropolis-prøvetaking, begrenser den autoregressive konstruksjonen modellens ekspressivitet i mange systemer.

Virkningen av betinget modellering for en universell autoregressiv kvantetilstand PlatoBlockchain Data Intelligence. Vertikalt søk. Ai.

Populært sammendrag

Beregningsmessig oppløsning av interagerende kvantepartikler, slik som elektronene i et molekyl, har løftet om å låse opp mange potensielle bruksområder på tvers av en rekke felt, fra utforming av nye medikamenter til oppdagelsen av eksotiske materialer. Dette krever imidlertid å omgå den eksponentielle skaleringen av kvante-mangekroppsbølgefunksjonen, det matematiske kjerneobjektet som beskriver oppførselen til disse elektronene. Parametrisering av disse tilstandene med teknikker inspirert fra komprimeringen funnet fra nyere maskinlæringsverktøy har dukket opp som en lovende vei for fremgang, med et bredt spekter av anvendelighet. Dette gir en surrogatmodell av bølgefunksjonen med et langt mindre antall parametere enn det vanskelige antallet som trengs for en fullstendig beskrivelse.

Imidlertid har nøye utforming av surrogatmodellen viktige konsekvenser når det gjelder nøyaktigheten av tilnærmingen og effektiviteten av optimaliseringsprosedyren. I dette arbeidet ser vi under panseret på en bestemt klasse av disse maskinlæringsinspirerte tilstandene kjent som autoregressive modeller, som nylig har blitt populært på grunn av deres suksess innen bildegjenkjenning og fordelaktige samplingsegenskaper. Vi viser hvordan mer generelle klasser av stater kan arve denne egenskapen, og skiller ut hvordan ulike designvalg påvirker ytelsen til disse modellene.

Gjennom vår analyse og anvendelse på grunntilstandene for en rekke kvante-mangekroppsproblemer, finner vi at det er en kostnad å betale for den autoregressive egenskapen i form av dens ultimate fleksibilitet i å beskrive disse tilstandene med et fast antall parametere. Med arbeidet vårt håper vi å kaste lys over viktige designvalg som kreves for utviklingen av stadig kraftigere surrogatmodeller for bølgefunksjonen til interagerende kvantepartikler.

► BibTeX-data

@article{Bortone2024impactofconditional, doi = {10.22331/q-2024-02-08-1245}, url = {https://doi.org/10.22331/q-2024-02-08-1245}, tittel = {Impact betinget modellering for en universell autoregressiv kvantetilstand}, forfatter = {Bortone, Massimo og Rath, Yannic og Booth, George H.}, tidsskrift = {{Quantum}}, issn = {2521-327X}, utgiver = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, volum = {8}, sider = {1245}, måned = feb, år = {2024} }

► Referanser

[1] Daniel P. Arovas, Erez Berg, Steven Kivelson og Srinivas Raghu. Hubbard-modellen. Annual Review of Condensed Matter Physics, 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

[2] Thomas D. Barrett, Aleksei Malyshev og AI Lvovsky. Autoregressive nevrale nettverksbølgefunksjoner for ab initio kvantekjemi. 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. Deep Generative Modelling: En sammenlignende gjennomgang av VAE-er, GAN-er, normaliserende strømmer, energibaserte 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. Tilnærmet kraft til maskinlæringsansatz for kvantetilstander med mange kropper. 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 og Yinchen Liu. En raskt blandende Markov-kjede fra ethvert gapet kvante-mangekroppssystem. 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. Lære grunntilstanden til en ikke-stoquastisk kvante Hamiltonian i et robust nevralt nettverkslandskap. 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. Løse kvantemangekroppsproblemet med kunstige nevrale nettverk. 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 maskinlæringsverktøysett for kvantesystemer med mange kropper. 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. Rekonstruere kvantetilstander med generative modeller. 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

[10] Giovanni Cataldi, Ashkan Abedi, Giuseppe Magnifico, Simone Notarnicola, Nicola Dalla Pozza, Vittorio Giovannetti og Simone Montangero. Hilbert-kurve vs Hilbert-rom: Utnyttelse av fraktal 2D-dekning for å øke effektiviteten i tensornettverket. 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 optimalisering av dype nevrale kvantetilstander mot maskinpresisjon, 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 trettisjuende konferanse om nevrale informasjonsbehandlingssystemer, november 2023.

[13] Kenny Choo, Titus Neupert og Giuseppe Carleo. Todimensjonal frustrert $J_{1}-J_{2}$ modell studert med kvantetilstander i nevrale nettverk. 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 nevrale nettverkstilstander for ab-initio elektronisk struktur. 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. Forene nevrale nettverks kvantetilstander og korrelatorprodukttilstander via tensornettverk. 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. Kvanteforviklinger i nevrale nettverksstater. 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 og Cristiano Ciuti. Dynamikk med autoregressive nevrale kvantetilstander: Anvendelse på kritisk slukkedynamikk. 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. Områdelover 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 konfigurasjonsinteraksjonsprosedyre. 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. Lære grunntilstander for gappede kvante Hamiltonians med kjernemetoder. 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 prosesstilstander: En datadrevet representasjon av kvante-mangekroppsfysikk. 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. Multireferansekorrelasjon i lange molekyler med den kvadratiske skaleringstetthetsmatriserenormaliseringsgruppen. 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-nettverksløsning av den elektroniske Schrödinger-ligningen. 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 kvantekjemi med nevrale nettverksbølgefunksjoner. 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. Tilbakevendende nevrale nettverksbølgefunksjoner. 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. Supplering av tilbakevendende nevrale nettverksbølgefunksjoner med symmetri og annealing for å forbedre nøyaktigheten, juli 2022.

[27] Mohamed Hibat-Allah, Roger G. Melko og Juan Carrasquilla. Undersøker topologisk rekkefølge ved hjelp av tilbakevendende nevrale nettverk. 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. Forelesning 6a: Oversikt over mini-batch gradient descent, 2012.

[29] Damian Hofmann, Giammarco Fabiani, Johan Mentink, Giuseppe Carleo og Michael Sentef. Rollen til stokastisk støy og generaliseringsfeil i tidsutbredelsen av kvantetilstander i nevrale nettverk. 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 og Giuseppe Carleo. Nevrale nettverkstilstander for klassisk simulering av kvanteberegning, august 2018.

[31] Diederik P. Kingma og Jimmy Ba. Adam: En metode for stokastisk optimalisering, 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. Variasjonsoptimalisering i AI-æraen: Computational Graph States and Supervised Wave-function Optimization. arXiv:1811.12423 [cond-mat, fysikk:fysikk], november 2018.
arxiv: 1811.12423

[34] Chu-Cheng Lin, Aaron Jaech, Xin Li, Matthew R. Gormley og Jason Eisner. Begrensninger for 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 av kvantetilstander i nevrale nettverk for tidsutvikling. 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 nevrale nettverk kvantetilstander for det nukleære mangekroppsproblemet. Physical Review Research, 4 (4): 043178, desember 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 nevralt nettverk for simulering av åpne kvantesystemer via en sannsynlighetsformulering. 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 nevralt nettverk for kvantegittermodeller. Physical Review Research, 5 (1): 013216, mars 2023. 10.1103/PhysRevResearch.5.013216.
https: / / doi.org/ 10.1103 / PhysRevResearch.5.013216

[39] Aleksei Malyshev, Juan Miguel Arrazola og AI Lvovsky. Autoregressive nevrale kvantetilstander med kvantenummersymmetrier, oktober 2023.

[40] Matija Medvidović og Giuseppe Carleo. Klassisk variasjonssimulering av 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. Hjelper begrensede Boltzmann-maskiner med kvantetilstandsrepresentasjon ved å gjenopprette 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 nodalspinnvæske avslørt av raffinert kvante-mangekroppsløser ved bruk av nevrale nettverksbølgefunksjon, korrelasjonsforhold og nivåspektroskopi. 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 av mange-elektron Schrödinger-ligningen med dype nevrale nettverk. 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. Quantum Gaussian prosesstilstand: En kjerneinspirert tilstand med kvantestøttedata. Physical Review Research, 4 (2): 023126, mai 2022. 10.1103/PhysRevResearch.4.023126.
https: / / doi.org/ 10.1103 / PhysRevResearch.4.023126

[45] Yannic Rath og George H. Booth. Rammeverk for effektiv ab initio elektronisk struktur med Gaussiske prosessstater. 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 og George H. Booth. Et Bayesiansk slutningsrammeverk for komprimering og prediksjon av kvantetilstander. 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 Neural Networks for Image Classification: En omfattende gjennomgang. 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. Optimalisering av designvalg for nevrale kvantetilstander. Physical Review B, 107 (19): 195115, mai 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 kvantetilstandsnøyaktigheten, mai 2021.

[50] Christopher Roth, Attila Szabó og Allan H. MacDonald. Variasjons Monte Carlo med høy nøyaktighet for frustrerte magneter med dype nevrale nettverk. 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 av endelig størrelse av grunntilstandsparametrene til den todimensjonale Heisenberg-modellen. 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 den frustrerte kvante Heisenberg antiferromagnet i to dimensjoner. 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] Eller Sharir, Yoav Levine, Noam Wies, Giuseppe Carleo og Amnon Shashua. Dype autoregressive modeller for effektiv variasjonssimulering av kvantesystemer med mange kropper. 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. Mot løsningen av mange-elektronproblemet i virkelige materialer: ligning av tilstanden til hydrogenkjeden med moderne mangekroppsmetoder. 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. Forutsetningsløs tidsavhengig Variasjonell Monte Carlo av projisert kvanteevolusjon. 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. Sterk korrelasjon i hydrogenkjeder og gitter ved bruk av den variasjonelle to-elektron-reduserte matrisemetoden. 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. Generalisert Lanczos-algoritme for variasjonskvante 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. Sterk elektronisk korrelasjon i hydrogenkjeden: En variasjonell Monte Carlo-studie. Physical Review B, 84 (24): 245117, desember 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: Python-baserte simuleringer av kjemirammeverk. 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. Nylig utvikling 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. Sammenfiltringstrekk ved tilfeldige nevrale nettverks kvantetilstander. 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. Nevrale nettverksbølgefunksjoner 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. Nevral-nettverk kvantetilstandstomografi. 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 og Gustavo E. Scuseria. Sterke korrelasjoner via begrenset paring av middelfeltteori. 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 distribusjonsestimat. 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 bildegenerering 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: Maskinlæringsverktøykasse for kvantesystemer med mange kropper. 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. Begrensede Boltzmann-maskiner for kvantestater med ikke-abelske eller anyoniske symmetrier. Physical Review Letters, 124 (9): 097201, mars 2020. 10.1103/PhysRevLett.124.097201.
https: / / doi.org/ 10.1103 / PhysRevLett.124.097201

[69] Luciano Loris Viteritti, Riccardo Rende og Federico Becca. Transformatorvariasjonsbølgefunksjoner for frustrerte kvantespinnsystemer. 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 modell kan bli bedre hvis du behandler den som en energibasert modell, juni 2022.

[71] Tom Westerhout, Nikita Astrakhantsev, Konstantin S. Tikhonov, Mikhail I. Katsnelson og Andrey A. Bagrov. Generaliseringsegenskaper for nevrale nettverkstilnærminger til frustrerte magnetgrunntilstander. 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

[72] Dian Wu, Riccardo Rossi, Filippo Vicentini og Giuseppe Carleo. Fra tensor-nettverk kvantetilstander til tensorial tilbakevendende nevrale nettverk. 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 kommunikasjon høy ytelse ab initio tetthet matrise 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. Transformator kvantetilstand: En flerbruksmodell for kvanteproblemer med mange kropper. 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. Overvinne barrierer for skalerbarhet i variasjonskvante 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 nevrale kvantetilstandsarkitektur for kvantekjemi. 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. Universaliteten til dype konvolusjonelle nevrale nettverk. Applied and Computational Harmonic Analysis, 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

Sitert av

Denne artikkelen er utgitt i Quantum under Creative Commons Attribution 4.0 International (CC BY 4.0) tillatelse. Opphavsrett forblir hos de opprinnelige rettighetshaverne som forfatterne eller institusjonene deres.

SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
kilde: https://quantum-journal.org/papers/q-2024-02-08-1245/

Tidstempel: Februar 8, 2024

Tidstempel: November 3, 2023

Effekten av betinget modellering for en universell autoregressiv kvantetilstand

Publisert av Platon

Abstrakt

Populært sammendrag

► BibTeX-data

► Referanser

Sitert av

Mer fra Kvantejournal

Politisk gradienttilnærming til kompilering av variasjonskvantekretser

Når kommer en partikkel?

Databehandling av grunntilstandsegenskaper med tidlige feiltolerante kvantedatamaskiner

Tidsmarsjbaserte kvanteløsere for tidsavhengige lineære differensialligninger

Lineær optikk og fotodeteksjon oppnår nesten optimal entydig, sammenhengende tilstandsdiskriminering

Kvantekoding og analyse av kontinuerlig tids stokastisk prosess med finansielle applikasjoner

Paritetskvanteoptimalisering: Benchmarks

Overlappet grupperingsmåling: Et enhetlig rammeverk for måling av kvantetilstander

Kvantereferanserammer: utledning av perspektivavhengige beskrivelser via en perspektivnøytral struktur

Optimal koding av oscillatorer til flere oscillatorer

Komplett utvidelse: den ikke-signalerende analogen til kvanterensing

Om Oss

Vertikal søk og Ai

Plattform

Hold kontakten

Logg inn