A machine learning approach to quantum spin chains

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSarandy, Marcelo Silva-
Autor(es): dc.contributorSchmidt, Alexandre Grezzi de Miranda-
Autor(es): dc.contributorSouza, Alexandre Martins de-
Autor(es): dc.contributorhttp://lattes.cnpq.br/8444785493897318-
Autor(es): dc.contributorhttp://lattes.cnpq.br/9863249995224235-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4112063838658098-
Autor(es): dc.contributorhttp://lattes.cnpq.br/5062261603815797-
Autor(es): dc.creatorMoraes, Luiz Felipe Costa de-
Data de aceite: dc.date.accessioned2024-07-11T17:41:48Z-
Data de disponibilização: dc.date.available2024-07-11T17:41:48Z-
Data de envio: dc.date.issued2019-10-11-
Data de envio: dc.date.issued2019-10-11-
Data de envio: dc.date.issued2019-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/11686-
Fonte completa do material: dc.identifierhttp://dx.doi.org/10.22409/PPGF.2019.m.40097380814-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/755587-
Descrição: dc.descriptionO objetivo deste trabalho é apresentar um método computacional para determinar propriedades físicas de sistemas quânticos de muitos corpos. A abordagem proposta foi um método de Aprendizado de Máquina para lidar com imagens, onde a entrada é o Hamiltoniano do sistema desejado. Nós treinamos uma Rede Neural Convolucional VGG-16 para prever a energia do estado fundamental e o emaranhamento entre pares de partículas, tal como medido pela negatividade, para o Hamiltonianano de um sistema quântico de spins-1/2. Os resultados preveem com boa precisão os valores da energia e o emaranhamento entre pares. Particularmente, podemos reduzir a dimensão do Hamiltoniano antes que ele passe pela rede. O método pode ser generalizado para propriedades físicas arbitrárias-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionThe aim of this work is to present a computational method to solve many-body quantum system problems. The proposed approach is a Machine Learning method to deal with images, where the input is the Hamiltonian of the desired system. We trained a VGG-16 Convolutional Neural Network to predict the ground state energy of the XXZ Hamiltonian, as well as the negativity of the pairwise entangled mixed states. The results predict with good precision the values of the energy and the pairwise entanglement. Particularly, we can reduce the dimension of the Hamiltonian before it passes through the network. The method can be generalized to arbitrary physical properties-
Descrição: dc.description70 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languageen-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/br/-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectCadeias quânticas de spin-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectMecânica quântica-
Palavras-chave: dc.subjectRegressão-
Palavras-chave: dc.subjectInformação quântica-
Palavras-chave: dc.subjectCadeias quânticas de spin-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectMecânica quântica-
Palavras-chave: dc.subjectInformação quântica-
Palavras-chave: dc.subjectProdução intelectual-
Palavras-chave: dc.subjectQuantum spin chains-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectQuantum mechanics-
Palavras-chave: dc.subjectRegression-
Palavras-chave: dc.subjectQuantum information-
Título: dc.titleA machine learning approach to quantum spin chains-
Tipo de arquivo: dc.typeDissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.