Variational Monte Carlo
PulseAugur coverage of Variational Monte Carlo — every cluster mentioning Variational Monte Carlo across labs, papers, and developer communities, ranked by signal.
-
新的VMC变体PS-Clip-VMC增强了重尾优化的鲁棒性
研究人员发现，变分蒙特卡洛（VMC）在电子结构理论和像FermiNet这样的神经网络应用中是一个关键算法，但由于重尾估计器而面临鲁棒性问题。这些估计器受波函数节点几何形状的影响，通常无法获得更高阶矩，从而影响了随机优化的可靠性。为了解决这个问题，开发了一种名为PS-Clip-VMC的新方法，该方法对局部能量和梯度变量进行裁剪。该方法已被证明在较弱的矩条件下能够可靠收敛，并在初步实验中显示出在原子上训练FermiNet的鲁棒性有所提高。
-
Excited Pfaffians: New Neural Network Architecture for Quantum States
研究人员开发了一种名为 Excited Pfaffians 的新型神经网络架构，旨在更有效地表示多个量子态。与传统方法相比，这种方法显著降低了计算成本，能够实现更快的训练和对更多状态的建模。该架构已成功应用于二聚碳和铍原子等复杂系统，这在这些领域的神经网络应用中尚属首次。
-
新的循环神经网络方法促进量子模拟
研究人员开发了一种名为并行扫描循环神经网络量子态（PSR-NQS）的新方法，以提高神经网络模拟量子多体系统的可扩展性。该方法利用了传统上被视为顺序的循环神经网络，并使其在变分蒙特卡洛模拟中高效训练。PSR-NQS方法在高达52x52的二维自旋晶格上展示了准确的结果，表明循环架构是可扩展神经网络量子态模拟的可行途径。
-
新型非欧几里得神经量子态在VMC实验中优于欧几里得对应物
研究人员通过扩展先前基于庞加莱双曲GRU的工作，引入了新的非欧几里得神经量子态（NQS），包括洛伦兹RNN、洛伦兹GRU和庞加莱RNN。这些新的双曲NQS变体在涉及量子多体系统的变分蒙特卡洛实验中，一致优于其欧几里得对应物。值得注意的是，洛伦兹RNN在参数更少的情况下表现出卓越的性能，在几种配置中超越了欧几里得GRU和其他双曲NQS。