RNNWavefunctions:利用递归神经网络波函数模型进行变分蒙特卡罗模拟

简介：
简介：本文提出了一种创新的方法——RNNWavefunctions，运用递归神经网络作为波函数模型，在变分蒙特卡罗模拟中实现了高效能计算，为量子系统的研究提供了新的视角。 递归神经网络波函数（RNN波函数）是基于递归神经网络的高效量子多体系统分析工具。这些波函数可用于通过变分蒙特卡罗方法寻找量子多体哈密顿量的基态。我们证明了该架构能够准确估计基态能量、相关函数以及纠缠熵。 我们在代码中进行了优化，修复了一些错误，并添加了奇偶校验对称性实现和具有U（1）-对称性的复杂RNN及2D RNN实现。此实现依赖于Python 3.6.10环境下的TensorFlow（版本1.13.1）和NumPy（版本1.16.3）模块。 该存储库包含以下文件夹： - `1DTFIM`：用于寻找一维横向场铁磁伊辛模型基态的一维正向递归神经网络波函数的实现。 - `2DTFIM_1DRNN`：旨在找到二维TFIM基态的一维正向递归神经网络波动函数的实现。 - `2DTFIM_2DRNN`：用于寻找二维TFIM基态的二位正向递归神经网络波函数。