文献

J-GLOBAL ID：201902272748213015   整理番号：19A2184307

人工神経回路網を用いた格子量子モンテカルロシミュレーションの加速:Holsteinモデルへの応用【JST・京大機械翻訳】

Accelerating lattice quantum Monte Carlo simulations using artificial neural networks: Application to the Holstein model

著者 (6件)： Li Shaozhi (Department of Physics and Astronomy, The University of Tennessee, Knoxville, Tennessee 37996, USA) ,  Li Shaozhi (Department of Physics, University of Michigan, Ann Arbor, Michigan 48109, USA) ,  Dee Philip M. (Department of Physics and Astronomy, The University of Tennessee, Knoxville, Tennessee 37996, USA) ,  Khatami Ehsan (Department of Physics and Astronomy, San Jose State University, San Jose, California 95192, USA) ,  Johnston Steven (Department of Physics and Astronomy, The University of Tennessee, Knoxville, Tennessee 37996, USA) ,  Johnston Steven (Joint Institute for Advanced Materials at the University of Tennessee, Knoxville, Tennessee 37996, USA)
資料名： Physical Review. B  (Physical Review. B)
巻： 100  号： 2  ページ： 020302  発行年： 2019年 
JST資料番号： D0746A  ISSN： 2469-9950  CODEN： PRBMDO  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： モンテカルロ(MC)シミュレーションは,科学のすべての領域を通して広範な利用を伴う不可欠な計算手法である。構成空間における局所的および大域的移動をそれぞれ実行するために訓練された完全連結および畳込み人工ニューラルネットワークを用いて,格子MCシミュレーションを加速する方法を提示した。両方のネットワークは,入力特徴として局所時空MC構成を取り,したがって,より大きなシステム上でのシミュレーションに利用する前に,より小さな格子上で従来のMCランによって生成されたサンプルを用いて訓練することができる。このアプローチは,二次元ホルスタインモデルの決定因子量子モンテカルロ(DQMC)研究の場合に対してベンチマーキングされる。両方の人工ニューラルネットワークは,元のハミルトニアンのMC構成重みを正確に再現し,従来のDQMCアルゴリズムよりも一桁高速化を達成する非特定の有効モデルを学習できることを見出した。このアプローチは多くの古典的および量子格子MCアルゴリズムに広く適用できる。Copyright 2019 The American Physical Society All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *ニューラルネットワーク ,  高速化 ,  *モンテカルロ法 ,  アルゴリズム ,  計算機シミュレーション ,  *量子モンテカルロ法 ,  畳込み ,  *シミュレーション ,  ネットワーク ,  ハミルトニアン ,  *モデル ,  二次元
準シソーラス用語： ベンチマーキング ,  決定因子 , 【Automatic Indexing@JST】

分類 (1件)： 電子輸送の一般理論  (BM03020C)

タイトルに関連する用語 (6件)： 人工神経回路網 ,  格子 ,  量子モンテカルロシミュレーション ,  加速 ,  モデル ,  応用