ChinesePhysicsL的个人博客分享 http://blog.sciencenet.cn/u/ChinesePhysicsL

博文

研究快讯 | 基于量子态的深度机器学习实现哈密顿量精确估计

已有 151 次阅读 2021-11-14 05:54 |系统分类:论文交流

1.gif

原文已发表在CPL Express Letters栏目

Received 15 August 2021; 

online 11 October 2021


EXPRESS LETTER

Deep Learning Quantum States for Hamiltonian Estimation

Xinran Ma (马欣然), Z. C. Tu (涂展春), and Shi-Ju Ran (冉仕举)

Chin. Phys. Lett. 2021, 38 (11): 110301

文章亮点

首次结合量子态图形化技术Qubism map与卷积神经网络,提出具有高泛化能力的QubismNet模型,实现给定基态对应的量子多体哈密顿量参数的精确预测。


1.png

图1 QubismNet模型结构示意图。通过将局域约化密度矩阵映射成图片,来有效利用卷积神经网络强大的泛化能力。


基于量子态的深度机器学习实现哈密顿量精确估计


研究背景

近年来,机器学习方法被广泛应用于物理研究,并逐渐形成了一种新的研究范式,用于解决传统方法无法有效解决的物理学问题。其中,一个尚待解决的基本问题是,机器学习方法能否基于已知物理并以数据驱动的方式“发现”新的未知物理?该问题的重点在于机器学习模型在处理物理学问题时,是否具备足够的泛化能力。泛化能力指机器学习模型对于其未学习过的数据的处理能力,例如在图像计算领域,我们可以通过标准数据集训练出猫与狗的图片分类模型,同时我们期望该模型可以准确区分数据集之外的全新的猫或狗的图片。大量研究与应用表明,卷积神经网络在处理图片时,具备强大的泛化能力。但是对于量子问题特别是量子多体物理问题,针对机器学习泛化能力的研究还十分稀少。发展新的具备高泛化能力的机器学习模型,使其能够以数据驱动的方式从已知物理信息给出新的物理信息,是目前该领域的一个重要课题。


内容简介

北京师范大学博士生马欣然、教授涂展春,与首都师范大学副教授冉仕举共同合作,提出了结合Qubism map与卷积神经网络的QubismNet模型,实现对量子多体系统的哈密顿量的准确估计。Qubism map是一种将量子多体纯态“可视化”为图形的数学映射,图形往往具备分形结构,其分形性质可反应量子态自身的物理性质。QubismNet通过扩展的Qubism map,将多体系统量子基态的局域约化密度矩阵映射至图片,随后利用卷积神经网络预测该基态对应哈密顿量的参数取值,有效利用了卷积神经网络对于图片的高泛化能力。本文的结果展示出了QubismNet在训练区间之外的高预测精度。例如对于横场Ising模型,QubismNet可以仅通过对远离相变点数据的学习,准确预测相临界区附近量子态对应的磁场大小。


研究意义和重要性

本文的工作展示了所提出的机器学习模型在处理量子多体问题时优秀的泛化能力,开辟了研究量子多体系统问题的新思路,即通过在“简单”区域的学习实现在“困难”区域的预测。此外,本文的方法也证实了机器学习模型在没有任何先验知识的前提下从量子态中提取物理信息的能力。由于仅需局域约化密度矩阵作为数据,本文的方法可避免进行全量子态层析,从而高效估计实验系统的物理参数。


原文链接

HTML

PDF


研究快讯集锦

重稀土氢化物的高温超导电性

多功能量子存储器

众里寻他千百度—量子磁体微观模型的多体计算自动寻参

量子自旋液体候选材料中低能激发的非局域效应

PT对称性诱导的激光阈值环及嵌在环上的连续谱中束缚态

半导体中掺杂行为随应变变化的基本规律

典型半导体材料在剪切应变下的本征超导电性

磁场中自旋轨道耦合系统的拓展Rashba解析近似方法研究

利用核四极矩共振和核磁共振研究笼目晶格超导体CsV3Sb5

库伦作用无尽期,动量蒙卡寄相思

二维金属硫代磷化物中的强磁电耦合效应

锶原子光晶格钟上的弗洛凯精密调控:拉比谱及灵敏度

Kagome化合物CsV3Sb5单晶超导态的各向异性

CsV3Sb5中高度稳定的超导再进入现象

4.png
2.jpg

点此浏览所有Express Letters

CPL Express Letters栏目简介

为了保证重要研究成果的首发权和显示度,CPL于2012年6月开设了Express Letters栏目。此栏目发表速度快,学术质量高。截至2020年底,平均每篇被引用约20次,已经在国内物理学界建立起良好口碑与声望,来稿数量不断增加。


3.jpg

阅读原文




https://m.sciencenet.cn/blog-3426263-1312299.html

上一篇:研究快讯 | 重稀土氢化物的高温超导电性
下一篇:CPL亮点文章 | 2021年第10期

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2022-1-21 00:49

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部