基于张量网络的机器学习(八)
已经很久没更新这个专栏了,现在让我们先解决一下上一次博客中提出的问题:
什么是纠缠熵面积定律?
前面已经提到过,截断了的MPS是否有效与纠缠熵的面积定律有关(即纠缠熵面积定律告诉我们你的截断维数可以怎么取,我们根据这种方式),而且,我们希望借助纠缠熵面积定律找到一维MPS的截断维数,最后使得MPS中的矩阵维数为1×d,d×d2,d2× χ \chi χ,……, χ \chi χ× χ \chi χ,……, χ \chi χ×d2,d2×d,d×1。用比较物理的话来说,纠缠熵面积定律就是在热力学极限下,对于有短程相互作用构成的哈密顿量,如果其基态相对于激发态有能隙,那么基态的两个部分(A、B两部分构成一个量子体系)之间的纠缠熵正比于它们接触的表面积,式子为:
S A ∣ B ∝ L D − 1 S_{A \mid B} \propto L^{\mathcal{D}-1} SA∣B∝LD−1
L代表A、B接触部分的周长, D \mathcal{D} D代表体系的空间维度,我们知道,量子态的纠缠熵是这么定义的:
S = − ∑ α = 0 D − 1 Λ α 2 ln Λ α 2 S=-\sum_{\alpha=0}^{D-1} \Lambda_{\alpha}^{2} \ln \Lambda_{\alpha}^{2} S=−α=0∑D−1Λα2lnΛα2
Λ \Lambda Λ α \alpha α是奇异值, Λ \Lambda Λ是奇异谱,有时候为了方便,也会把奇异谱中的奇异值排列成一个向量时间演化是什么?
时间演化顾名思义就是指随着时间的变化状态发生了改变,在量子力学上就是物理状态和观测量随时间的变化,再具体点就是态矢随时间的演化,由此还能引入时间演化算符的概念,就我所知,时间演化算符与薛定谔方程有着一定的联系,并且在TEBD里起着一定的作用暂时了解这么多。
一.维量子格点模型的基态和哈密顿量的期望值的求解
- 1.最大本征值问题
- 2.热力学基础
- ~~3.薛定谔方程~~
- ~~二.基态和哈密顿量期望值的求解对应的最优化问题~~
1.最大本征值问题
最大本征值问题定义为:假设矩阵本征值为实数,求解给定矩阵的最大本征值及其本征态,即给定一个矩阵M,求解归一化向量V使得:
f = ∣ v T M v ∣ \mathrm{f}=\left|\mathrm{v}^{\mathrm{T}} \mathrm{Mv}\right| f=∣∣vTMv∣∣的值极大化,该最优化问题的解为最大本征态,相应的f值对应最大本征值。
最大本征值的幂级数求法如下:
lim K → ∞ M K = Γ 0 K u ( 0 ) u ( 0 ) T \lim _{K \rightarrow \infty} M^{K}=\Gamma_{0}^{K} u^{(0)} u^{(0) T} K→∞limMK=Γ0Ku(0)u(0)T
其中 Γ 0 \Gamma_{0} Γ0和 u ( 0 ) u^{(0)} u(0)为实对称矩阵M对应的最大的唯一本征值和本征向量,有过线性代数基础的能够很好理解这个。
2.热力学基础
热力学量即对应物理量的概率平均值,其式子如下:
O ( β ) = ∑ s 1 , s 2 , … P ( s 1 , s 2 , … ; β ) O ( s 1 , s 2 , … ) O(\beta)=\sum_{s_{1}, s_{2}, \ldots} P\left(s_{1}, s_{2}, \ldots ; \beta\right) O\left(s_{1}, s_{2}, \ldots\right) O(β)=s1,s2,…∑P(s1,s2,…;β)O(s1,s2,…)
其中O是物理值,P是概率,且:
P ( s 1 , s 2 , … ; β ) = e − β E ( s 1 , s 2 , … ) Z P\left(s_{1}, s_{2}, \ldots ; \beta\right)=\frac{e^{-\beta E\left(s_{1}, s_{2}, \ldots\right)}}{Z} P(s1,s2,…;β)=Ze−βE(s1,s2,…)
分号前面的s1,s2……表示状态,后面的 β \beta β表示倒温度,为温度的倒数,Z是配分函数,E是能量,配分函数Z可以理解为归一化因子, Z = ∑ s 1 , s 2 , … e − β E ( s 1 , s 2 , … ) Z=\sum_{s_{1}, s_{2}, \ldots} e^{-\beta E\left(s_{1}, s_{2}, \ldots\right)} Z=s1,s2,…∑e−βE(s1,s2,…)
3.薛定谔方程
二.基态和哈密顿量期望值的求解对应的最优化问题
这一篇博客是非常水的,因为后面的内容会比较麻烦,而且再看某一篇关于mps的论文遇到了感觉很物理的障碍(想写的东西也写不出来),因此我一直就没有下定决心去好好写一写其他的东西了,我觉得我大概可以鸽了(除非某一天心血来潮再来写一写),前面的东西或许会有一点帮助,而有关薛定谔方程以及其他的一些东西可以参考某个知乎大佬,认真看下去会有一种恍然大悟的感觉(链接)。下一篇的内容将真正涉及到机器学习。
基于张量网络的机器学习(八)相关推荐
- 《基于张量网络的机器学习入门》学习笔记7
<基于张量网络的机器学习入门>学习笔记7 量子算法 什么是量子算法 三个经典量子算法 Grover算法 背景 基本原理 例题 量子算法 什么是量子算法 例如我们求解一个问题,一个111千克 ...
- 《基于张量网络的机器学习入门》学习笔记6
<基于张量网络的机器学习入门>学习笔记6 密度算符(密度矩阵) 具体到坐标表象 在纯态上 在混合态上 纯态下的密度算符 混合态下的密度算符 密度算符的性质 量子力学性质的密度算符描述 第一 ...
- 《基于张量网络的机器学习入门》学习笔记5
<基于张量网络的机器学习入门>学习笔记5 量子概率体系 事件 互斥事件 概率与测量 不相容属性对 相容属性对 量子概率与经典概率的区别 量子测量 量子概率体系 我们将经典的实数概率扩展到复 ...
- 《基于张量网络的机器学习入门》学习笔记4
<基于张量网络的机器学习入门>学习笔记4 量子概率 将概率复数化 分布与向量的表示 事件与Hilbert空间 不兼容属性及其复数概率表示 为什么一定要复数概率 量子概率 将概率复数化 在经 ...
- 《基于张量网络的机器学习入门》学习笔记8(Shor算法)
<基于张量网络的机器学习入门>学习笔记8 Shor算法 来源 Shor算法的大致流程 因数分解 周期求取与量子傅里叶变换(QFT) Shor算法 来源 1994 1994 1994年,应用 ...
- 《基于张量网络的机器学习入门》学习笔记2
<基于张量网络的学习入门>学习笔记2 量子逻辑门 单量子逻辑门 恒等操作 泡利-X门(Pauli-X gate) 泡利-Y门(Pauli-Y gate) 泡利-Z门(Pauli-Z gat ...
- 《基于张量网络的机器学习入门》学习笔记1
<基于张量网络的学习入门>学习笔记1 量子力学的三大奥义 什么是量子 量子力学的三大奥义--叠加.测量和纠缠 第一大奥义:量子的叠加态 第二大奥义:量子的测量 第三大奥义:量子的纠缠态 量 ...
- 《基于张量网络的学习入门》学习笔记3
<基于张量网络的机器学习入门>学习笔记3 量子寄存器.量子状态叠加与并行处理的关系 不确定性原理 量子寄存器.量子状态叠加与并行处理的关系 叠加态的数学定义: ∣x⟩=α1∣x1⟩+α2∣ ...
- 一文了解基于复杂网络的机器学习
作者:莫凡 来源:华章计算机(hzbook_jsj) 机器学习是一门有趣的学科,它本身就是一门交叉学科,同时又继续与新的学科交叉,不断产生新的分支,就像是时时推出新口味的碳酸饮料,让贪婪的味蕾跃跃欲试 ...
最新文章
- 讲讲排序(C++描述 )
- readonly和disabled的区别!
- 数据结构--图(Graph)详解(三)
- JS学习记录(BOM部分)
- 容斥 - HDU 4135 Co-prime
- linux -- su和sudo命令的区别
- 数字资产价值巨大,GMQGroup深入布局挖掘数字财富
- python3.7.2安装与pycharm_Python3和PyCharm安装与环境配置【图文教程】
- Django Form
- Audio Driver 架构
- php pdf转为word,免费pdf转word软件汇总
- java 文本提取_Java 提取PDF 文本内容
- 【MODIS数据处理#10】例五:用NDVI估算植被覆盖度
- 小学信息技术 用计算机画画 教学目标,三年级下册信息技术教学计划4篇
- 自媒体你不知道的二三事|原来这些好听的声音是这么来的......
- Aspose 只更新页码和 更新域 UpdatePageNumbers
- InvalidOptions: Requested option conflicts with current storage engine option for directoryPerDB
- php上传图片到mysql并显示
- 夏普SHV41 卸载应用 ADB 卸载脚本
- 设计matlab函数计算dtft,数字信号处理实验一
热门文章
- 毕业设计(二十三)- 以前在金堆里淘金,现在却只能在垃圾堆里寻“宝”了!
- Dev C++ 注释中文乱码问题及解决方法
- 你怎么理解并使用静态方法和实例化方法的?
- 以色列绝对是个好国家
- cad在线转换_手绘线稿转CAD,能一键生成为什么要描?
- 深圳内推 | 粤港澳大湾区数字经济研究院AI医疗项目招聘NLP算法实习生
- 博图读取温度的指令_西门子博途编的PID温度模拟量控制 实例
- CISSP vs CISA,该选哪个?
- DDD系列第四讲:领域层设计规范
- 武大与中大计算机学院,武汉大学与中山大学大实力大PK,结果令人难以置信