神经量子状态是通过人工神经网络参数化的变异波函数,这是一种数学模型,在机器学习社区中数十年。在多体物理学的背景下,诸如具有神经量子状态的变异蒙特卡洛作为变异波函数之类的方法在近似精确的近似性方面是成功的,即量子哈密顿量的基础。但是,提出神经网络体系结构的所有困难,以及探索其表现力和训练性,都渗透到其作为神经量子状态的应用。在本文中,我们考虑了Feynman-Kitaev Hamiltonian的横向场模型,该模型的基态编码在离散时间步骤下旋转链的时间演变。我们展示了该基础状态问题如何特别挑战神经量子状态的训练性,因为时间步骤的增加,因为真实的基态变得更加纠缠,并且概率分布开始遍及希尔伯特空间。我们的结果表明,所考虑的神经量子状态能够准确地近似系统的真实基态,即它们具有足够的表现。然而,广泛的超参数调整实验表明,经验事实是,在变化的蒙特卡洛设置中,训练性较差 - 可以防止对真实基态的忠实近似。
translated by 谷歌翻译