Probabilistic Computers for Neural Quantum States
Dieser Beitrag zeigt, dass die Kombination von spärlichen Boltzmann-Maschinen-Architekturen mit hardwarebasierter probabilistischer Rechenleistung (FPGAs) den Monte-Carlo-Sampling-Engpass bei quantenmechanischen Neuronenzuständen überwindet und präzise Berechnungen der Grundzustandsenergie für zweidimensionale Ising-Modelle mit transversalem Magnetfeld bis zu 6400 Spins sowie ein effizientes Training tiefer Modelle für 900 Spins ermöglicht.