Original title: Variační kvantové stavy na bázi neuronových sítí pro frustrované magnetické systémy
Translated title: Variational Neural Network Quantum States for Frustrated Magnetic Systems
Authors: Mezera, Matěj ; Žonda, Martin (advisor) ; Slobodeniuk, Artur (referee)
Document type: Master’s theses
Year: 2022
Language: eng
Abstract: [eng] [cze]
We investigate the Shastry-Sutherland model (SSM), i.e., spin-1/2 quantum Heisen- berg model on a Shastry-Sutherland lattice, using a newly emerging approach exploiting well-developed machine learning techniques. We utilize neural networks as variational quantum states in quantum Monte Carlo investigations of the ground state properties. We first focus on SSM without an external magnetic field. For small lattices accessible via exact diagonalization, we compare the precision of various architectures based on re- stricted Boltzmann machines (RBM) or group-convolutional neural networks. The most versatile and precise architecture, namely complex-valued RBM, is then applied for larger lattices. Here we investigate the frustrated regime. We show that the RBM is able to represent all three of the major and fundamentally different phases of SSM. Finally, we apply the complex-valued RBM for SSM in a finite external magnetic field. We find that it cannot capture the intriguing steps in magnetization typical for SSM correctly due to its tendency to prefer more ordered states with higher magnetization. 1 Zkoumáme Shastry-Sutherlandův model (SSM), tj. 1/2-spinový kvantový Heisenber- gův model na Shastry-Sutherlandově mřížce, pomocí nově rozvíjejících se metod, které využívají technik strojového učení. Neuronové sítě používáme jako variační kvantové stavy a v kvantových Monte Carlo simulacích zkoumáme vlastnosti základního stavu. Nejprve se zaměřujeme na SSM bez vnějšího magnetického pole. Pro malé exaktně diagonali- zovatelné mřížky porovnáváme přesnost různých architektur založených na omezených (restricted) Boltzmannových strojích (RBM) nebo grupově konvolučních neuronových sítích. Nejuniverzálnější a nejpřesnější architekturu, konkrétně RBM s komplexními va- hami, pak používáme na větších mřížkách. Zde zkoumáme frustrovaný režim. Ukazujeme, že RBM je schopen reprezentovat všechny tři hlavní a fundamentálně odlišné fáze SSM. Nakonec aplikujeme komplexní RBM na SSM v konečném vnějším magnetickém poli. Zjišťujeme, že RBM nedokáže správně zachytit zajímavá plata v magnetizaci typická pro SSM, kvůli tomu, že RBM preferuje uspořádanější stavy s vyšší magnetizací. 1
Keywords: quantum physics|machine learning|neural networks|Boltzmann machine|Ising model|Heisenberg model|Shastry-Sutherland model|Marshall-Peierls sign rule|group convolutional neural network|variational Monte Carlo; kvantová fyzika|strojové učenie|neurónové siete|Boltzmannov stroj|Isingov model|Heisenbergov model|Shastry-Sutherlandův model|Marshallovo znaméhkové pravidlo|grupově konvoluční neuronové sítě|variační Monte Carlo

Institution: Charles University Faculties (theses) (web)
Document availability information: Available in the Charles University Digital Repository.
Original record: http://hdl.handle.net/20.500.11956/174044

Permalink: http://www.nusl.cz/ntk/nusl-507161


The record appears in these collections:
Universities and colleges > Public universities > Charles University > Charles University Faculties (theses)
Academic theses (ETDs) > Master’s theses