||
对于量子多体物理(quantum many-body physics)中的一些现象,存在着几个相互竞争的理论。但哪一个描述量子现象最佳?慕尼黑理工大学(TUM)和美国哈佛大学(Harvard University)的一组研究人员现已成功地将人工神经网络用于量子系统的图像分析。
研究固体和液体的凝聚态物理中的几个现象仍然笼罩在神秘之中。例如,到目前为止,为什么高温超导体的电阻在大约-200摄氏度的温度下下降到零,仍属未知。为了理解这类量子系统,人们建立了各种理论模型。但它们在多大程度上反映了现实?这个问题可以通过分析图像数据来回答。为此,慕尼黑工业大学和哈佛大学的一个研究团队成功地采用机器学习:研究人员训练一个人工神经网络来区分两种相互竞争的理论。
https://www.sciencedaily.com/releases/2019/07/190712120223.htm
Journal Reference:
Annabelle Bohrdt, Christie S. Chiu, Geoffrey Ji, Muqing Xu, Daniel Greif, Markus Greiner, Eugene Demler, Fabian Grusdt, Michael Knap. Classifying snapshots of the doped Hubbard model with machine learning. Nature Physics, 2019; DOI: 10.1038/s41567-019-0565-x
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-4-19 15:18
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社