Recurrent neural network wave functions for Rydberg atom arrays on kagome lattice
Mohamed Hibat-Allah, Ejaaz Merali, Giacomo Torlai, Roger G Melko, Juan Carrasquilla
Rydberg原子阵列实验已经证明了作为强大的量子模拟器的能力,准备了与强相关的物质阶段,这对于传统的计算机模拟研究具有挑战性。 一个关键的方向是在沮丧的几何形状上实施相互作用,以努力准备异国情调的多体状态,如自旋液体和眼镜。 在本文中,我们应用二维循环神经网络(RNN)波函数来研究kagome晶格上Rydberg原子阵列的地面状态。 我们实施退火方案,在可能出现异域相位图的区域找到RNN变异参数,对应于粗糙的优化景观。 对于Rydberg原子阵列Hamiltonians之前在kagome晶格上研究过,我们的RNN地面状态没有显示异国情调的自旋液体或紧急玻璃行为的证据。 在后一种情况下,我们认为非零爱德华兹 - 安德森顺序参数的存在是量子蒙特卡洛(QMC)模拟经历的长时间自动关联时间的产物,我们表明通过增加数值努力可以系统地减少自动相关性。 这一结果强调了自退学模型(如RNN)与QMC结合的效用,在沮丧的晶格及其他方面探索Rydberg原子阵列物理。
Rydberg atom array experiments have demonstrated the ability to act as powerful quantum simulators, preparing strongly-correlated phases of matter which are challenging to study for conventional computer simulations. A key direction has been the implementation of interactions on frustrated geometries, in an effort to prepare exotic many-body states such as spin liquids and glasses. In this paper, we apply two-dimensional recurrent neural network (RNN) wave functions to study the ground states of...
