Schliessen
Titelaufnahme
Titelaufnahme
- TitelArtificial neural networks as building blocks in trial wave functions for Quantum Monte Carlo / Jan Kessler ; Supervisor: Prof. Dr. Thomas D. Kühne
- Autor
- Gutachter
- Erschienen
- Umfang1 Online-Ressource (119 Seiten) : Diagramme
- HochschulschriftUniversität Paderborn, Dissertation, 2026
- AnmerkungTag der Verteidigung: 30.10.2026
- Verteidigung2026-10-30
- SpracheEnglisch
- DokumenttypDissertation
- Schlagwörter (GND)
- URN
- DOI
Links
- Social MediaShare
- Nachweis
- IIIF
Download
Klassifikation
Zusammenfassung
Diese Arbeit untersucht neuronale Feedforward-Netze als Bausteine von Wellenfunktionen für Variational Monte Carlo (VMC)-Simulationen kontinuierlicher Quantensysteme und entwickelt dafür stochastische Optimierungsverfahren und numerische Implementierungen. Zunächst werden relativ einfache, allgemeine neuronale Netzwerk-Wellenfunktionen (NNWF) an exakt lösbaren Zweiteilchenmodellen und H2 untersucht. Sie geben Grundzustandsenergien gut wieder, zeigen aber die Bedeutung der Austauschsymmetrie: Bei (Beinahe-)Entartung kann eine NNWF ohne erzwungene Austauschsymmetrie gegen Zustände unterscheidbarer Teilchen konvergieren. Fortgeschrittene NNWF verwenden neuronale Netze für Geminal- und Jastrow-Komponenten von Jastrow-AGP-Wellenfunktionen. Sie beschreiben die H2-Dissoziationskurve vom Gleichgewicht bis zu gestreckten Geometrien genau. Für kompakte H4-Rechtecke liefert ein neuronaler Jastrow-Faktor VMC-Energien nahe hochgenauer Referenzdaten. Berechnungen für Wasserstoffketten bis H10 zeigen physikalisch plausibles Dissoziationsverhalten. Bei kurzen Abständen sind die H10-Ergebnisse vergleichbar mit oder genauer als zeitgenössische VMC-Referenzwerte, während die Genauigkeit in der Streckung im Vergleich nachlässt. Insgesamt bieten NNWF einen flexiblen Weg zu genauen VMC-Berechnungen kontinuierlicher Molekülsysteme, sofern Austauschsymmetrie, physikalische Wellenfunktionsstruktur und rechnerische Umsetzung sorgfältig behandelt werden.
Abstract
This thesis investigates feedforward neural networks as building blocks in trial wave functions for Variational Monte Carlo (VMC) simulations of continuous quantum systems and develops the required stochastic optimization schemes and computational machinery. First, rather simple and general variants of neural network wave functions (NNWFs) are explored and tested on exactly solvable two-particle models and H2. They recover groundstate energies with good accuracy but reveal the importance of exchange symmetry: in the case of (near-)degeneracy, a NNWF without enforced exchange symmetry may converge to states of distinguishable particles. In more advanced NNWFs, neural networks represent geminal and Jastrow components in Jastrow-AGP wave functions. Such NNWFs describe the H2 dissociation curve accurately from equilibrium to stretched geometries. For compact H4 rectangles, an all-body neural network Jastrow factor yields VMC energies close to high-level reference data. Hydrogen chain calculations up to H10 produce physically reasonable dissociation behavior. At short separations, the accuracy for the H10 chain is comparable to or better than contemporary VMC reference data, whereas the stretched regime remains challenging. Overall, NNWFs offer a flexible route towards accurate VMC calculations of continuous molecular systems, provided that exchange symmetry, physical wave function structure, and computational realization are treated carefully.
Inhalt
Statistik
- Das PDF-Dokument wurde 8 mal heruntergeladen.
Lizenz-/Rechtehinweis

