.png){kind=icon}
返回
Meta-variational quantum Monte Carlo
.png){kind=icon}
PRE
AI
DOI：10.1007/s42484-022-00094-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在元强化学习 (meta-rl) 和具有无序的变分量子蒙特卡洛之间的紧密类比的激励下，我们提出了一个学习问题和一个相关的泛化概念，并应用于由随机哈密顿量描述的量子系统的基态确定。具体来说，我们详细阐述了 (Zhao等人2020b) 的提议，将哈密顿无序解释为元RL代理的任务不确定性。提出了一种与模型无关的元学习方法来解决相关的学习问题，并且在无序量子自旋系统中的数值实验表明，所得的元变分蒙特卡洛加速了训练并提高了收敛能量。
Keyword:
Meta-learning
Variational Monte Carlo
Neural quantum states
期刊
Q
IF:
4.4
论文数:
446
被引数:
796
机构
引用论文
Phases of two-dimensional spinless lattice fermions with first-quantized deep neural-network quantum states.png)
PHYSICAL REVIEW B
OAAI
PHYSICAL REVIEW BIF3.7
OAAI分享收藏Ab initio solution of the many-electron Schrodinger equation with deep neural networks多电子薛定谔方程的深度神经网络从头算解OAAI
OAAI分享收藏Effect of selection for growth rate on the rabbit (Oryctolagus cuniculus) immune system and its response after experimental Staphylococcus aureus infection对生长速度选择对兔(Oryctolagus cuniculus)免疫系统及其在实验性金黄色葡萄球菌感染后反应的影响
PREAI
分享收藏分享收藏分享收藏
查看更多内容