要約
量子多体システムをシミュレートするためのペアリングベースのグラフ ニューラル ネットワークを開発します。
私たちのアーキテクチャは、グラフ ニューラル ネットワークによってパラメーター化された一般化されたペア振幅を使用して BCS タイプのジェミナル波動関数を強化します。
ニューラル ネットワークを使用した変分モンテカルロは、多電子システムをシミュレートするための正確で柔軟かつスケーラブルな方法を同時に提供します。
我々は、この手法を二次元半導体電子正孔二重層に適用し、励起子ボース・アインシュタイン凝縮、電子正孔超伝導体、ウィグナー二重層結晶などの相互作用誘起相に関する正確な結果を取得します。
私たちの研究は、量子材料シミュレーションに対する物理的動機によるニューラル ネットワークの波動関数の可能性を実証しています。
要約(オリジナル)
We develop a pairing-based graph neural network for simulating quantum many-body systems. Our architecture augments a BCS-type geminal wavefunction with a generalized pair amplitude parameterized by a graph neural network. Variational Monte Carlo with our neural network simultaneously provides an accurate, flexible, and scalable method for simulating many-electron systems. We apply this method to two-dimensional semiconductor electron-hole bilayers and obtain accurate results on a variety of interaction-induced phases, including the exciton Bose-Einstein condensate, electron-hole superconductor, and bilayer Wigner crystal. Our study demonstrates the potential of physically-motivated neural network wavefunctions for quantum materials simulations.
arxiv情報
著者 | Di Luo,David D. Dai,Liang Fu |
発行日 | 2023-11-21 15:54:28+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google