Machine learning and quantum phases of matter - Laboratoire de Physique Théorique - LPT Accéder directement au contenu
Thèse Année : 2020

Machine learning and quantum phases of matter

Méthodes d'apprentissage automatique et phases quantiques de la matière

Résumé

My PhD thesis presents three applications of machine learning to condensed matter theory. Firstly, I will explain how the problem of detecting phase transitions can be rephrased as an image classification task, paving the way to the automatic mapping of phase diagrams. I tested the reliability of this approach and showed its limits for models exhibiting a many-body localized phase in 1 and 2 dimensions. Secondly, I will introduce a variational representation of quantum many-body ground-states in the form of neural-networks and show our results on a constrained model of hardcore bosons in 2d using variational and projection methods. In particular, we confirmed the phase diagram obtained independently earlier and extends its validity to larger system sizes. Moreover we also established the ability of neural-network quantum states to approximate accurately solid and liquid bosonic phases of matter. Finally, I will present a new approach to quantum error correction based on the same techniques used to conceive the best Go game engine. We showed that efficient correction strategies can be uncovered with evolutionary optimization algorithms, competitive with gradient-based optimization techniques. In particular, we found that shallow neural-networks are competitive with deep neural-networks.
Mon travail de thèse s'est articulé autour de trois manières d'utiliser les méthodes d'apprentissage automatique (machine learning) en physique de la matière condensée. Premièrement, j'expliquerai comment il est possible de détecter automatiquement des transitions de phase en reformulant cette tâche comme un problème de classification d'images. J'ai testé la fiabilité et relevé les limites de cette approche dans des modèles présentant des phases localisées à N corps (many-body localized - MBL) en dimension 1 et en dimension 2. Deuxièmement, j'introduirai une représentation variationnelle d'états fondamentaux sous la forme de réseaux de neurones (neural-network quantum states - NQS). Je présenterai nos résultats sur un modèle contraint de bosons de coeur dur en deux dimensions avec des méthodes variationnelles basées sur des NQS et de projection guidée. Nos travaux montrent notamment que les états NQS peuvent encoder avec précision des états solides et liquides de bosons. Enfin, je présenterai une nouvelle approche pour la recherche de stratégies de corrections d'erreur dans les codes quantiques, cette approche se base sur les techniques utilisées pour concevoir l'intelligence artificielle AlphaGo. Nous avons pu montrer que des stratégies efficaces peuvent être découvertes avec des algorithmes d'optimisation évolutionnistes. En particulier, nous avons observé que des réseaux de neurones peu profonds sont compétitifs avec les réseaux profonds utilisés dans des travaux antérieurs, représentant un gain d'un facteur 10000 en termes de nombre de paramètres.
Fichier principal
Vignette du fichier
2020TOU30228b.pdf (6.47 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03157002 , version 1 (02-03-2021)
tel-03157002 , version 2 (22-04-2021)

Identifiants

  • HAL Id : tel-03157002 , version 2

Citer

Hugo Théveniaut. Machine learning and quantum phases of matter. Quantum Physics [quant-ph]. Université Paul Sabatier - Toulouse III, 2020. English. ⟨NNT : 2020TOU30228⟩. ⟨tel-03157002v2⟩
299 Consultations
562 Téléchargements

Partager

Gmail Facebook X LinkedIn More