Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Abordagem de "deep learning" para sistemas quânticos de muitos corpos

William Freitas e Silva

Published Aug 30, 2024• 0 citations
Publisher

Abstract

Resumo: Dentro do contexto da mecânica quântica, a descrição de estados quânticos é fundamental para explicar e prever o comportamento de sistemas finitos. Uma estratégia para realizar isso é por meio do método variacional, onde os estados quânticos são descritos por funções de onda tentativa. Além disso, a semelhança impressionante entre algoritmos de aprendizado profundo e o método variacional sugere que funções tentativa podem ser representadas por redes neurais artificiais. De fato, essa representação foi empregada neste trabalho para analisar sistemas compostos de bósons, como aglomerados de hélio-4, e férmions, como pontos quânticos. Ao usar a integração de Monte Carlo para calcular as integrais relevantes e treinar a rede neural para encontrar a energia do estado fundamental desses sistemas, os resultados obtidos atingiram uma precisão sem precedentes em comparação com os métodos quânticos de Monte Carlo. Embora estes métodos produzam valores estatísticos robustos para a energia de sistemas bosônicos, eles exigem extrapolação para quantidades que não comutam com o hamiltoniano, potencialmente introduzindo viés. Portanto, com o objetivo de contornar extrapolações, a representação do estado fundamental através de redes neurais foi empregada para calcular várias propriedades, como perfis de densidade, funções de distribuição de pares e funções densidade de pares. Além disso, correlações de curto alcance no contexto de universalidade fraca para aglomerados de hélio foram investigadas. Também, para tentar entender o sucesso de redes neurais descrevendo sistemas quânticos, propriedades de escala do tamanho da rede e a estrutura nodal das funções tentativa otimizadas foram analisadas para pontos quânticos

DOI
10.47749/t/unicamp.2024.1408496

Related papers

A machine learning approach to quantum spin chains

L. F. C. de Moraes

O 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

•Oct 4, 2019•0 citations

Desenvolvimento de redes neurais artificiais quânticas com aplicações em química

Vitor D. Viterbo

A Química necessita de computadores velozes para o processamento de uma grande quantidade de informações e dados complexos. A simulação de sistemas líquidos, a interação entre átomos e moléculas e a identificação de moléculas necessitam de computadores mais eficientes para a solução desses problemas. Esta tese descreve a pesquisa, modelagem e desenvolvimento de uma rede neural artificial usando os conceitos da Computação Quântica para trabalhar como uma rede neural quântica. Esta tese também implementa o estudo de um algoritmo quântico de procura e o estudo dos estados ligados que os dímeros do gás hélio, HeNe, HeAr, HeKr e HeXe podem suportar.Três abordagens foram seguidas: a) o método da fase variável, para gerar dados. b) redes neurais clássicas, usando os dados gerados anteriormente. c) redes neurais quânticas. O foco é a validação e testes do conceito das redes neurais quânticas, com base na informação obtida das redes neurais artificiais clássicas, acopladas a um algoritmo quântico. Uma rede neural quântica foi modelada para aprender o comportamento de um sistema químico estudado anteriormente. O conceito da Computação Quântica e do computador quântico mostra a evolução complexa da computação clássica bem como uma mudança de conceito em termos de circuitos (hardware) e algoritmos (software).

•Apr 7, 2014•0 citations

Dinâmica de operadores de dois spins no modelo XX

Matheus Schossler

Propriedades dinâmicas de sistemas quânticos de muitos corpos é um tópico de grande interesse em física da matéria condensada. Estas propriedades nos dão informação sobre a propagação de excitações elementares e de mecanismos de relaxação em sistemas interagentes. Neste contexto, as funções de correlação tem se tornado ainda mais relevantes devido a experimentos em sistemas de átomos frios e íons armadilhados que medem diretamente no domínio temporal os comportamentos assintóticos no tempo. No entanto, até o momento a maioria dos estudos em cadeias de spin quânticas focaram-se em correlações de um único spin. Utilizando a cadeia de spin XX unidimensional, nós estudamos métodos exatos para calcular as funções de correlação das componentes do tensor de dois spins, Tabi,j = SaiSbj. Estes operadores aparecem, por exemplo, como a resposta da seção de choque de espalhamento inelástico de raios X. Baseados no teorema de Wick, nós mostramos que algumas funções de correlação das componentes locais do tensor de dois operadores de spins de sítios vizinhos, na representação de férmions, podem ser escritas como uma combinação de funções de Green de uma única partícula. Utilizamos diagramas de Feynman para organizar esta combinação e calcular as funções de correlação. Em seguida, considerando esses propagadores para tempos longos e grandes distâncias ao longo do cone de luz, encontramos o comportamento dessas funções de correlação como leis de potência oscilatórias que decaem com o tempo e distância. Uma aplicação direta das funções de correlação é para o estudo de quantidades conservadas e não conservadas, uma análise sobre algumas dessas quantidades foi feita. Discutimos também as funções de correlação das componentes do tensor que não são locais na representação fermiônica. Nesse caso os cálculos foram mais desafiadores, mas usamos o fato que funções de correlação dependente do tempo podem ser expressadas em termos dos determinantes de Fredholm.

•Sep 25, 2017•0 citations

Análise tomográfica de redes neurais aplicada a problemas quânticos de muitos corpos

Mardônio Jo Carvalho de França

À arte.À música.À poesia.Aos físicos que inventaram esse parque de diversões conhecido por mecânica quântica. I think I can safely say that nobody understands quantum mechanics.Richard Feymann ResumoO uso de redes neurais artificiais para representar estados quânticos de muitos corpos tem despertado grande interesse nos últimos anos, oferecendo uma abordagem promissora para lidar com problemas complexos que surgem neste contexto.Neste trabalho propomos uma tomografia dos pesos de uma rede neural aplicada ao problema para obter o estado fundamental de cadeias de spins 1D com interação entre vizinhos.Um dos objetivos é entender como métodos de aprendizado de máquina não supervisionado possa identificar regimes em cadeias de spins 1D, tais como ferromagnético, antiferromagnético e frustrado.Nosso trabalho busca contribuir para o entendimento como as redes neurais incorporam características físicas de modelos físicos como o emaranhamento em seus pesos sinápticos.

•Feb 5, 2026•0 citations

Uma analise da eficiencia numerica de funções de onda tentativa aplicada ao metodo Monte Carlo quantico

Juliana de Lima Paschoal

Resumo: Uma estratégia recente denominada Monte Carlo Quântico (MCQ) permite acessar a função de onda exata de um sistema resolvendo a equação de Schrödinger. Dentre as alternativas de MCQ destacam-se o Monte Carlo Quântico Variacional (MCQV) e o Monte Carlo Quântico de Difusão (MCQD). O MCQV determina o valor médio de qualquer propriedade atômica ou molecular associada a uma função de onda arbitrária empregando o algoritmo de Metropolis. O MCQD, por sua vez, baseia-se na solução da equação de Schrödinger dependente do tempo através de um processo de difusão em equilíbrio com um processo cinético de primeira ordem. Neste trabalho os objetivos são: a) comparar os efeitos de funções de base de Slater com diferentes expoentes nos níveis de teoria do MCQV e MCQD; b) testar funções de onda baseadas no modelo Hartree e Hartree-Fock no MCQV e MCQD e c) avaliar o efeito da localização de orbitais nestes métodos. Esses objetivos foram avaliados em átomos, moléculas diatômicas e alguns hidretos poliatômicos contendo elementos do segundo período da tabela periódica. Inicialmente, usou-se de uma função de onda representada por um determinante de Slater com orbitais obtidos através da combinação linear de funções de Slater através do método Hartree-Fock. Os expoentes do conjunto de base utilizado foram determinados através das Regras de Slater, otimização Hartree-Fock em ambiente molecular e otimizaçãoHartree-Fock em ambiente atômico. O MCQV e o MCQD foram empregados para a obtenção da energia média do sistema. Posteriormente, substituíram-se as funções de Slater por funções STO-6G. Os mesmos expoentes do conjunto de base utilizados nos cálculos com funções de Slater foram empregados para os cálculos STO-6G. Finalmente, utilizou-se o produto de Hartree como função de onda para os cálculos MCQV e MCQD com as funções de base já mencionadas. As principais conclusões desse trabalho são: a) o MCQD, conforme esperado, apresenta menores energias quando comparado ao MCQV; b) Cálculos MCQD usando determinante de Slater, conjunto de base com otimização de expoente para a molécula e átomo e nehum fator de correção forneceu energias comparadas a Gaussianas do tipo double-zeta no método coupled cluster incluindo excitações simples e duplas; c) Funções de base STO-6G devem ser utilizadas com cautela para representar funções STO; d) as energias calculadas através do produto de Hartree apresentam um comportamento que se distancia das funções Hartree-Fock quando orbitais localizados são usados; e) resultados melhores são esperados quando orbitais são auto-consistentes com respeito ao método de Hartree.

•Nov 17, 2006•0 citations

Aprendizado de Máquina para o Estudo de Fases Magnéticas a Partir de Dados Obtidos de Simulações de Modelos Magnéticos

Luccas Amorim Rocha

Este trabalho investiga o uso de métodos de aprendizado de máquina, tanto supervisionado quanto não supervisionado (Análise de Componentes Principais), para o estudo de fases magnéticas em simulações de modelos do tipo Ising. Uma rede neural foi treinada para determinar a probabilidade de uma configuração de spins, em uma rede quadrada de dimensão LxL, estar em uma fase paramagnética ou ferromagnética, visando identificar a temperatura crítica de transição entre essas fases. Gerando dados de treinamento e teste via método de Monte Carlo em uma rede a duas temperaturas distintas, o método supervisionado foi aplicado inicialmente, onde os resultados indicaram um ponto de cruzamento nas curvas de probabilidade das fases, evidenciando um comportamento quase simétrico entre as fases em relação à temperatura e determinando a temperatura crítica nesse ponto de cruzamento. Posteriormente, no método de Análise de Componentes Principais, desenvolveu-se o modelo Ising com parâmetro de ordem constante, isto é, a magnetização é constante à medida que a temperatura varia, a rede quadrada de spins foi submetida a Dinâmica de Kawasaki e com isso foi obtido resultados satisfatórios para temperatura crítica. Concluiu-se que o método supervisionado de aprendizado de máquina, que consistiu em treinar uma rede neural a fim de identificar configurações de spins obtidas através de simulações de Monte Carlo do modelo de Ising, demonstrou eficácia na detecção da temperatura crítica do modelo, apresentando resultados ligeiramente superiores ao valor exato de 2.269. Essa discrepância é atribuída ao fato de a temperatura crítica exata ser válida para redes de tamanho infinito, enquanto redes de tamanho finito tendem a exibir uma temperatura crítica ligeiramente mais elevada. Por outro lado, foi utilizado uma ferramenta de aprendizado não supervisionado chamada método PCA (Análise de Componentes Principais) a fim de classificar as diferentes fases e a região de criticidade do Modelo de Ising COP. Este modelo difere do Ising tradicional pois apresenta a magnetização constante para toda temperatura. Portanto, a técnica PCA foi adequada para estudar este modelo, uma vez que não é possível construir um parâmetro de ordem que possa identificar a transição entre a fase ordenada e desordenada. Por conseguinte, os gráficos da distribuição dos dados transformados conseguiram identificar os dados que correspondem a fase ordenada, desordenada e a região de transição ou criticidade.

•Jan 1, 2025•0 citations
Resumo: Dentro do contexto da mecânica quântica, a descrição de estados quânticos é fundamental para explicar e prever o comportamento de sistemas finitos. Uma estratégia para realizar isso é por meio do método variacional, onde os estados quânticos são descritos por funções de onda tentativa. Além disso, a semelhança impressionante entre algoritmos de aprendizado profundo e o método variacional sugere que funções tentativa podem ser representadas por redes neurais artificiais. De fato, essa representação foi empregada neste trabalho para analisar sistemas compostos de bósons, como aglomerados de hélio-4, e férmions, como pontos quânticos. Ao usar a integração de Monte Carlo para calcular as integrais relevantes e treinar a rede neural para encontrar a energia do estado fundamental desses sistemas, os resultados obtidos atingiram uma precisão sem precedentes em comparação com os métodos quânticos de Monte Carlo. Embora estes métodos produzam valores estatísticos robustos para a energia de sistemas bosônicos, eles exigem extrapolação para quantidades que não comutam com o hamiltoniano, potencialmente introduzindo viés. Portanto, com o objetivo de contornar extrapolações, a representação do estado fundamental através de redes neurais foi empregada para calcular várias propriedades, como perfis de densidade, funções de distribuição de pares e funções densidade de pares. Além disso, correlações de curto alcance no contexto de universalidade fraca para aglomerados de hélio foram investigadas. Também, para tentar entender o sucesso de redes neurais descrevendo sistemas quânticos, propriedades de escala do tamanho da rede e a estrutura nodal das funções tentativa otimizadas foram analisadas para pontos quânticos
O 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
A Química necessita de computadores velozes para o processamento de uma grande quantidade de informações e dados complexos. A simulação de sistemas líquidos, a interação entre átomos e moléculas e a identificação de moléculas necessitam de computadores mais eficientes para a solução desses problemas. Esta tese descreve a pesquisa, modelagem e desenvolvimento de uma rede neural artificial usando os conceitos da Computação Quântica para trabalhar como uma rede neural quântica. Esta tese também implementa o estudo de um algoritmo quântico de procura e o estudo dos estados ligados que os dímeros do gás hélio, HeNe, HeAr, HeKr e HeXe podem suportar.Três abordagens foram seguidas: a) o método da fase variável, para gerar dados. b) redes neurais clássicas, usando os dados gerados anteriormente. c) redes neurais quânticas. O foco é a validação e testes do conceito das redes neurais quânticas, com base na informação obtida das redes neurais artificiais clássicas, acopladas a um algoritmo quântico. Uma rede neural quântica foi modelada para aprender o comportamento de um sistema químico estudado anteriormente. O conceito da Computação Quântica e do computador quântico mostra a evolução complexa da computação clássica bem como uma mudança de conceito em termos de circuitos (hardware) e algoritmos (software).
Propriedades dinâmicas de sistemas quânticos de muitos corpos é um tópico de grande interesse em física da matéria condensada. Estas propriedades nos dão informação sobre a propagação de excitações elementares e de mecanismos de relaxação em sistemas interagentes. Neste contexto, as funções de correlação tem se tornado ainda mais relevantes devido a experimentos em sistemas de átomos frios e íons armadilhados que medem diretamente no domínio temporal os comportamentos assintóticos no tempo. No entanto, até o momento a maioria dos estudos em cadeias de spin quânticas focaram-se em correlações de um único spin. Utilizando a cadeia de spin XX unidimensional, nós estudamos métodos exatos para calcular as funções de correlação das componentes do tensor de dois spins, Tabi,j = SaiSbj. Estes operadores aparecem, por exemplo, como a resposta da seção de choque de espalhamento inelástico de raios X. Baseados no teorema de Wick, nós mostramos que algumas funções de correlação das componentes locais do tensor de dois operadores de spins de sítios vizinhos, na representação de férmions, podem ser escritas como uma combinação de funções de Green de uma única partícula. Utilizamos diagramas de Feynman para organizar esta combinação e calcular as funções de correlação. Em seguida, considerando esses propagadores para tempos longos e grandes distâncias ao longo do cone de luz, encontramos o comportamento dessas funções de correlação como leis de potência oscilatórias que decaem com o tempo e distância. Uma aplicação direta das funções de correlação é para o estudo de quantidades conservadas e não conservadas, uma análise sobre algumas dessas quantidades foi feita. Discutimos também as funções de correlação das componentes do tensor que não são locais na representação fermiônica. Nesse caso os cálculos foram mais desafiadores, mas usamos o fato que funções de correlação dependente do tempo podem ser expressadas em termos dos determinantes de Fredholm.
À arte.À música.À poesia.Aos físicos que inventaram esse parque de diversões conhecido por mecânica quântica. I think I can safely say that nobody understands quantum mechanics.Richard Feymann ResumoO uso de redes neurais artificiais para representar estados quânticos de muitos corpos tem despertado grande interesse nos últimos anos, oferecendo uma abordagem promissora para lidar com problemas complexos que surgem neste contexto.Neste trabalho propomos uma tomografia dos pesos de uma rede neural aplicada ao problema para obter o estado fundamental de cadeias de spins 1D com interação entre vizinhos.Um dos objetivos é entender como métodos de aprendizado de máquina não supervisionado possa identificar regimes em cadeias de spins 1D, tais como ferromagnético, antiferromagnético e frustrado.Nosso trabalho busca contribuir para o entendimento como as redes neurais incorporam características físicas de modelos físicos como o emaranhamento em seus pesos sinápticos.
Resumo: Uma estratégia recente denominada Monte Carlo Quântico (MCQ) permite acessar a função de onda exata de um sistema resolvendo a equação de Schrödinger. Dentre as alternativas de MCQ destacam-se o Monte Carlo Quântico Variacional (MCQV) e o Monte Carlo Quântico de Difusão (MCQD). O MCQV determina o valor médio de qualquer propriedade atômica ou molecular associada a uma função de onda arbitrária empregando o algoritmo de Metropolis. O MCQD, por sua vez, baseia-se na solução da equação de Schrödinger dependente do tempo através de um processo de difusão em equilíbrio com um processo cinético de primeira ordem. Neste trabalho os objetivos são: a) comparar os efeitos de funções de base de Slater com diferentes expoentes nos níveis de teoria do MCQV e MCQD; b) testar funções de onda baseadas no modelo Hartree e Hartree-Fock no MCQV e MCQD e c) avaliar o efeito da localização de orbitais nestes métodos. Esses objetivos foram avaliados em átomos, moléculas diatômicas e alguns hidretos poliatômicos contendo elementos do segundo período da tabela periódica. Inicialmente, usou-se de uma função de onda representada por um determinante de Slater com orbitais obtidos através da combinação linear de funções de Slater através do método Hartree-Fock. Os expoentes do conjunto de base utilizado foram determinados através das Regras de Slater, otimização Hartree-Fock em ambiente molecular e otimizaçãoHartree-Fock em ambiente atômico. O MCQV e o MCQD foram empregados para a obtenção da energia média do sistema. Posteriormente, substituíram-se as funções de Slater por funções STO-6G. Os mesmos expoentes do conjunto de base utilizados nos cálculos com funções de Slater foram empregados para os cálculos STO-6G. Finalmente, utilizou-se o produto de Hartree como função de onda para os cálculos MCQV e MCQD com as funções de base já mencionadas. As principais conclusões desse trabalho são: a) o MCQD, conforme esperado, apresenta menores energias quando comparado ao MCQV; b) Cálculos MCQD usando determinante de Slater, conjunto de base com otimização de expoente para a molécula e átomo e nehum fator de correção forneceu energias comparadas a Gaussianas do tipo double-zeta no método coupled cluster incluindo excitações simples e duplas; c) Funções de base STO-6G devem ser utilizadas com cautela para representar funções STO; d) as energias calculadas através do produto de Hartree apresentam um comportamento que se distancia das funções Hartree-Fock quando orbitais localizados são usados; e) resultados melhores são esperados quando orbitais são auto-consistentes com respeito ao método de Hartree.
Este trabalho investiga o uso de métodos de aprendizado de máquina, tanto supervisionado quanto não supervisionado (Análise de Componentes Principais), para o estudo de fases magnéticas em simulações de modelos do tipo Ising. Uma rede neural foi treinada para determinar a probabilidade de uma configuração de spins, em uma rede quadrada de dimensão LxL, estar em uma fase paramagnética ou ferromagnética, visando identificar a temperatura crítica de transição entre essas fases. Gerando dados de treinamento e teste via método de Monte Carlo em uma rede a duas temperaturas distintas, o método supervisionado foi aplicado inicialmente, onde os resultados indicaram um ponto de cruzamento nas curvas de probabilidade das fases, evidenciando um comportamento quase simétrico entre as fases em relação à temperatura e determinando a temperatura crítica nesse ponto de cruzamento. Posteriormente, no método de Análise de Componentes Principais, desenvolveu-se o modelo Ising com parâmetro de ordem constante, isto é, a magnetização é constante à medida que a temperatura varia, a rede quadrada de spins foi submetida a Dinâmica de Kawasaki e com isso foi obtido resultados satisfatórios para temperatura crítica. Concluiu-se que o método supervisionado de aprendizado de máquina, que consistiu em treinar uma rede neural a fim de identificar configurações de spins obtidas através de simulações de Monte Carlo do modelo de Ising, demonstrou eficácia na detecção da temperatura crítica do modelo, apresentando resultados ligeiramente superiores ao valor exato de 2.269. Essa discrepância é atribuída ao fato de a temperatura crítica exata ser válida para redes de tamanho infinito, enquanto redes de tamanho finito tendem a exibir uma temperatura crítica ligeiramente mais elevada. Por outro lado, foi utilizado uma ferramenta de aprendizado não supervisionado chamada método PCA (Análise de Componentes Principais) a fim de classificar as diferentes fases e a região de criticidade do Modelo de Ising COP. Este modelo difere do Ising tradicional pois apresenta a magnetização constante para toda temperatura. Portanto, a técnica PCA foi adequada para estudar este modelo, uma vez que não é possível construir um parâmetro de ordem que possa identificar a transição entre a fase ordenada e desordenada. Por conseguinte, os gráficos da distribuição dos dados transformados conseguiram identificar os dados que correspondem a fase ordenada, desordenada e a região de transição ou criticidade.