Approximately-symmetric neural networks for quantum spin liquids
Dominik S. Kufel, Jack Kemp, DinhDuy Vu, Simon M. Linsel, Chris R. Laumann, Norman Y. Yao
我们提出并分析了量子自旋液体问题的大约对称神经网络家族。 这些量身定制的架构具有参数效率、可扩展性,并且大大优于现有的对称性感知神经网络架构。 利用混合字段图和 PXP Rydberg Hamiltonian 模型,我们证明了我们的方法与最先进的张量网络和量子蒙特卡洛方法具有竞争力。 此外,在最大的系统尺寸(N = 480的toric code,N = 1584 for Rydberg PXP)中,我们的方法使我们能够探索具有量子蒙特卡洛和有限大小矩阵产品状态所无法触及的标志问题的汉密尔顿人。 该网络包括一个完全对称的块,然后是一个非对称的块,我们认为它学习了类似于准糖尿病延续的地面状态的变换。 我们的工作为研究可解释神经网络架构中的量子自旋液体问题铺平了道路。
We propose and analyze a family of approximately-symmetric neural networks for quantum spin liquid problems. These tailored architectures are parameter-efficient, scalable, and significantly outperform existing symmetry-unaware neural network architectures. Utilizing the mixed-field toric code and PXP Rydberg Hamiltonian models, we demonstrate that our approach is competitive with the state-of-the-art tensor network and quantum Monte Carlo methods. Moreover, at the largest system sizes (N = 480 ...