凝聚态物理研究固体和液体的性质,包括超导性和磁性等现象。机器学习在预测材料性质和发现新材料方面展现了卓越的潜力。通过在已知材料数据集上训练机器学习模型,研究人员可以利用这些算法来预测此前未测试过的化合物的性质。例如,在晶体结构数据集上训练的深度学习模型可以识别可能具有超导性的材料。此外,机器学习还用于...
特别值得一提的是,机器学习可以用来求解描述量子态演化的薛定谔方程。传统方法在系统规模增大时的计算成本极高,而基于深度神经网络的机器学习方法可以更快速地近似求解,为研究多体量子系统提供了实用的替代方案。 c. 凝聚态物理 凝聚态物理研究固体和液体的性质,包括超导性和磁性等现象。机器学习在预测材料性质和发现新...
在这篇研究中,我们表明,现代机器学习架构(比如全连接和卷积神经网络)可以识别各种凝聚态哈密尔顿量中的相以及相变。现代软件库使神经网络编程比较容易,研究人员可以训练神经网络识别多类有序参数,以及带有无常序的非平庸态(non-trivial states with conventional order),可以使用蒙特卡洛从原始态配置中取样。图 1、...
本文将着重总结目前机器学习方法在凝聚态物理、量子关联体系中的应用,这些应用包括:训练机器学会区分物质的不同量子相或经典相;通过机器学习方法来加速和优化现有的量子多体算法甚至发展新的算法;利用人工神经网络刻画量子多体波函数;同时,我们也会讨论一些多体物理上的进展对机器学习领域带来的影响。通过下面的讨论我们会...
强关联系统是凝聚态物理中一个极具挑战的研究领域,其中的粒子间存在复杂的相互作用,使得传统的理论和计算方法难以准确预测其行为。机器学习的引入,特别是监督学习和强化学习技术的应用,为理解和预测这些系统的定量行为开辟了新途径。 通过训练模型学习强关联系统的内在规律,研究者可以预测系统在不同条件下的行为,比如量子...
凝聚态物理研究固体和液体的性质,包括超导性和磁性等现象。机器学习在预测材料性质和发现新材料方面展现了卓越的潜力。 通过在已知材料数据集上训练机器学习模型,研究人员可以利用这些算法来预测此前未测试过的化合物的性质。例如,在晶体结构数据集上训练的深度学习模型可以识别可能具有超导性的材料。此外,机器学习还用于...
摘要:凝聚态物理学研究的是无限复杂的电子、原子核、磁矩、原子或量子比特集合的集体行为。这一复杂性体现在状态空间大小上,其大小会随着粒子数量的变化而呈指数级增长,这会让人想起机器学习中通常遇到的「维数灾难(curse of dimensionality』)」。尽管如此,机器学习社区已经开发出强大技术,用来识别、分类以及从复杂数据...
凝聚态物理是研究诸如电子、原子核、原子、磁偶极子、量子比特等组成的复杂系统。其复杂性体现在随粒子数指数增长的相空间,让人想到了机器学习中的纬度诅咒。尽管存在这样的诅咒,机器学习依然可以在数据集上体现出很好的分类、回归性质。这里,我们用现代的机器学习技术(全链接、卷积网络),用以分类众多不同的哈密顿体系...
物理世界是由相互作用的多粒子系统组成的,量子多体物理研究这种相互作用系统的新奇量子关联效应及其物理机理,不仅是高温超导、量子霍尔效应、量子磁性等凝聚态物理前沿领域中的核心问题,也在量子调控和量子信息、超冷原子物理、原子核物理与格点规范场等领域的发展中起着至...