我们使用在合成数据上训练的人工神经网络研究磁相的高效学习,将计算简单性与物理知情策略相结合。 专注于稀释的Ising模型,缺乏精确的分析解决方案,我们探索了两种互补的方法:使用简单致密神经网络的监督分类,以及使用仅基于理想化自旋配置训练的卷积自动编码器对相变的无监督检测。 为了提高模型性能,我们纳入了两种关键形式的物理信息指导。 首先,我们利用建筑偏差,优先放大与对称断裂相关的特征。 其次,我们包括明确打破 Z_2 对称性的训练配置,增强了网络检测有序相位的能力。 这些机制协同执行,即使在没有明确标签的情况下,也会提高网络对相位结构的敏感性。 我们通过与关键温度和渗透阈值的直接数值估计进行比较,验证机器学习预测。 我们的结果表明,即使在复杂的系统中,合成、结构化和计算效率的培训计划也可以揭示物理上有意义的阶段边界。 该框架为传统方法提供了一种低成本和稳健的替代品,在更广泛的凝聚态和统计物理环境中具有潜在的应用。
量化准备量子态和实施量子过程所需的最小纠缠是量子信息理论的关键挑战。 在这项工作中,我们开发了量子运算下的纠缠成本的可计算和忠实的下界,完全保留了部分转置(PPT操作)的正向性,通过引入k-负率的广义发散,即对数负性的概括。 我们的界限是通过半明确的方案拟订有效地计算出来的,并为所有非《不扩散条约》的国家提供非平凡的价值,确立了对《不扩散条约》纠缠的资源理论的忠诚。 值得注意的是,我们发现并肯定了在PPT操作下对全随机纠缠状态的无症状纠缠操纵的不可逆转性。 此外,我们扩展了我们的方法,以得出点对点和双部分量子通道的纠缠成本的下限。 我们的绑定展示了对各种量子态和通道的先前已知可计算边界的改进。 这些发现推动了理解纠缠结构和纠缠操纵的基本极限的界限。
神经网络量子态(NQS)的最新进展为复杂的量子多体系统(如强相关电子系统)提供了高精度预测。 然而,计算成本仍然令人望而却步,使得对交互强度和其他物理参数的不同参数的探索效率低下。 虽然有人提议进行迁移学习以减轻这一挑战,但实现对大规模系统和不同参数制度的概括仍然很困难。 为了解决这一限制,我们提出了基于NGS迁移学习的新课程学习框架。 这促进了在量子多体系统的巨大参数空间中的高效和稳定的探索。 此外,通过扰动镜头解释NQS转移学习,我们展示了如何将先前的物理知识灵活地纳入课程学习过程。 我们还提出了Pairing-Net,这是一种用于紧密相关电子系统实际实施这种策略的架构,并在经验上验证其有效性。 我们的结果表明,与传统方法相比,计算速度提高了约200倍,优化稳定性显着提高。
我们使用基于投影量子内核方法的支持向量回归器来预测对量子化学和量子物质感兴趣的1D费米子系统的密度结构。 内核建立在与Rydberg原子相互作用的量子库的可观测值上。 费米子系统的训练和测试数据是使用密度功能理论方法生成的。 我们测试了几个Hamiltonian参数的方法的性能,找到了误差作为测量时间函数的一般常见行为。 在足够大的测量时间,我们发现该方法优于经典的线性内核方法,并且可与径向基础函数方法竞争。
No more items to load.