Buchumschlag

From {\tt Ferminet} to PINN. Connections between neural network-based algorithms for high-dimensional Schrödinger Hamiltonian

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Khan, Mashhood, Lorin, Emmanuel
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computational Physics Quantum Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

An implicit split-operator algorithm for the nonlinear time-dependent Schrödinger equation
von: Roulet, Julien, et al.
Veröffentlicht: (2021)

Machine learning one-dimensional spinless trapped fermionic systems with neural-network quantum states
von: Keeble, J. W. T., et al.
Veröffentlicht: (2023)

Quantum computational sensing using quantum signal processing, quantum neural networks, and Hamiltonian engineering
von: Khan, Saeed A., et al.
Veröffentlicht: (2025)

A quantum Monte Carlo algorithm for arbitrary high-spin Hamiltonians
von: Babakhani, Arman, et al.
Veröffentlicht: (2025)

QGHNN: A quantum graph Hamiltonian neural network
von: Wang, Wenxuan
Veröffentlicht: (2025)

Learning high-dimensional quantum entanglement through physics-guided neural networks
von: Xu, Yang, et al.
Veröffentlicht: (2026)

On the uncertainty principle of neural networks
von: Zhang, Jun-Jie, et al.
Veröffentlicht: (2022)

A differentiation formula, with application to the two-dimensional Schrödinger equation
von: Pikovski, Alexander
Veröffentlicht: (2014)

Learning to generate high-dimensional distributions with low-dimensional quantum Boltzmann machines
von: Tüysüz, Cenk, et al.
Veröffentlicht: (2024)

Quantum algorithms to simulate quadratic classical Hamiltonians and optimal control
von: Krovi, Hari
Veröffentlicht: (2024)

A numerical algorithm for solving the coupled Schrödinger equations using inverse power method
von: Zhao, Jiaxing, et al.
Veröffentlicht: (2024)

HamLib: A library of Hamiltonians for benchmarking quantum algorithms and hardware
von: Sawaya, Nicolas PD, et al.
Veröffentlicht: (2023)

Hamiltonian-based graph-state ansatz for variational quantum algorithms
von: Anand, Abhinav, et al.
Veröffentlicht: (2023)

Recurrent convolutional neural networks for modeling non-adiabatic dynamics of quantum-classical systems
von: Ning, Alex P., et al.
Veröffentlicht: (2024)

Inverse Physics-informed neural networks procedure for detecting noise in open quantum systems
von: de Lima, Gubio G., et al.
Veröffentlicht: (2025)

A variational quantum algorithm for tackling multi-dimensional Poisson equations with inhomogeneous boundary conditions
von: Choi, Minjin, et al.
Veröffentlicht: (2024)

A quantum Monte Carlo algorithm for arbitrary spin-1/2 Hamiltonians
von: Barash, Lev, et al.
Veröffentlicht: (2023)

Simultaneous approximation of multiple degenerate states using a single neural network quantum state
von: Sherif, Waleed
Veröffentlicht: (2025)

Circuit-to-Hamiltonian from tensor networks and fault tolerance
von: Anshu, Anurag, et al.
Veröffentlicht: (2023)

The Quantum Hamiltonian Analysis Toolkit: Lowering the Barrier to Quantum Computing with Hamiltonians
von: Krueger, Brendan K., et al.
Veröffentlicht: (2026)

Preparing Schrödinger cat states in a microwave cavity using a neural network
von: Hutin, Hector, et al.
Veröffentlicht: (2024)

Addressing the ground state of the deuteron by physics-informed neural networks
von: Brevi, Lorenzo, et al.
Veröffentlicht: (2026)

Stable and efficient differentiation of tensor network algorithms
von: Francuz, Anna, et al.
Veröffentlicht: (2023)

Symmetry-Based Perspectives on Hamiltonian Quantum Search Algorithms and Schrodinger's Dynamics between Orthogonal States
von: Cafaro, Carlo, et al.
Veröffentlicht: (2026)

Bang-bang preparation of quantum many-body ground states in two dimensions: optimization of the algorithm with a two-dimensional tensor network
von: Zhang, Yintai, et al.
Veröffentlicht: (2024)

Fast surrogate modelling of EIT in atomic quantum systems using LSTM neural networks
von: Hita, Isabel S. Burdon, et al.
Veröffentlicht: (2025)

Physics-informed neural networks for solving saddle-point equations in strong-field physics with tailored fields
von: Chen, Jiakang, et al.
Veröffentlicht: (2026)

Isometric tensor network optimization for extensive Hamiltonians is free of barren plateaus
von: Miao, Qiang, et al.
Veröffentlicht: (2023)

Noncontextual Pauli Hamiltonians
von: Ralli, Alexis, et al.
Veröffentlicht: (2025)

Time-reversible and norm-conserving high-order integrators for the nonlinear time-dependent Schrödinger equation: Application to local control theory
von: Roulet, Julien, et al.
Veröffentlicht: (2020)

Ultrahigh-fidelity spatial mode quantum gates in high-dimensional space by diffractive deep neural networks
von: Wang, Qianke, et al.
Veröffentlicht: (2024)

Programmable high-dimensional Hamiltonian in a photonic waveguide array
von: Yang, Yang, et al.
Veröffentlicht: (2023)

Tensorization of neural networks for improved privacy and interpretability
von: Monturiol, José Ramón Pareja, et al.
Veröffentlicht: (2025)

Semi-classical Schrödinger numerics in the residual representation
von: Nölle, Christoph
Veröffentlicht: (2024)

Improving neural network performance for solving quantum sign structure
von: Ou, Xiaowei, et al.
Veröffentlicht: (2025)

Universal algorithm for transforming Hamiltonian eigenvalues
von: Odake, Tatsuki, et al.
Veröffentlicht: (2023)

Exponentiation of Parametric Hamiltonians via Unitary interpolation
von: Schilling, Michael, et al.
Veröffentlicht: (2024)

Riemannian quantum circuit optimization for Hamiltonian simulation
von: Kotil, Ayse, et al.
Veröffentlicht: (2022)

Accurate, full-dimensional computations of thousands of complex vibrational eigenstates with tree tensor network states
von: Larsson, Henrik R., et al.
Veröffentlicht: (2026)

Robustly learning the Hamiltonian dynamics of a superconducting quantum processor
von: Hangleiter, Dominik, et al.
Veröffentlicht: (2021)