Quantum Monte Carlo
PulseAugur coverage of Quantum Monte Carlo — every cluster mentioning Quantum Monte Carlo across labs, papers, and developer communities, ranked by signal.
-
新的图论方法简化了海森堡反铁磁体的分析
一篇新论文介绍了一个用于分析海森堡反铁磁体的图论框架,将它们的哈密顿量表示为加权图。这种方法将基态能量与图拉普拉斯量的最大特征值联系起来,这等同于解决加权最大割问题。该研究还将变分蒙特卡洛中的相位优化与解决该图上的伊辛模型联系起来,提供了对波函数符号结构和蒙特卡洛方法的统一视角。
-
新基础模型准确描述化学键断裂
研究人员开发了 Orbformer,这是一种新颖的量子化学基础模型,可以准确描述化学键断裂。该模型利用深度神经网络和量子蒙特卡洛方法从海量分子结构数据集中学习,使其能够以优于传统方法的成本-准确性比实现化学精度。Orbformer 的方法将求解薛定谔方程的计算成本分摊到多个分子上,使其成为复杂化学模拟的实用工具。
-
新框架增强了复杂量子系统的建模能力
研究人员开发了一个名为物理约束集成高斯过程(pc-EGP)的新框架,以更有效地模拟复杂的量子系统。该方法将物理约束直接纳入建模过程,并使用高斯过程模型集成来处理有噪声的模拟数据。pc-EGP框架在合成数据上进行了演示,然后应用于真实的量子系统,与标准高斯过程相比,显示出更高的准确性和物理相关性。
-
神经网络解决量子蒙特卡洛符号问题
研究人员开发了一种使用神经自回归控制变量的新方法来解决量子蒙特卡洛模拟中的符号问题。该技术采用两个自回归模型,每个模型仅限于正负符号扇区,以创建零均值控制变量。这种无偏可观测量显著降低了方差,提高了模拟的准确性。该方法已证明,即使对于低于 10^-3 的平均符号,标准误差也能降低一个数量级,能量估计误差也能降低三到五倍。