尧图网站建设 
NetKet 实战入门如何用 30 行 Python 代码计算 Ising 模型基态能量【免费下载链接】netketMachine learning algorithms for many-body quantum systems项目地址: https://gitcode.com/gh_mirrors/ne/netketNetKet 是一个基于 JAX 的开源机器学习框架专门用于求解多体量子系统而它最经典的应用之一就是用神经网络计算 Ising 模型基态能量。本文将以 1D 横场 Ising 模型为例带你用不到 30 行 Python 代码完成从构建哈密顿量到输出基态能量的完整流程即使是量子力学和深度学习的新手也能轻松上手。为什么用神经网络求解 Ising 模型基态能量传统的精确对角化方法在系统变大时会遇到指数级困难20 个自旋的 Ising 链希尔伯特空间维度高达 2²⁰ ≈ 100 万而 30 个自旋就超过 10 亿普通计算机根本无法直接处理。NetKet 的思路是使用变分蒙特卡洛VMC用一个受限玻尔兹曼机RBM等神经网络参数化量子态再通过采样迭代优化逼近真实基态。它把对角化矩阵变成了训练神经网络这正是 NetKet 的核心价值所在。NetKet 快速安装步骤NetKet 要求 Python 3.11 及以上版本推荐使用 pip 安装不要用 condaJAX 在 conda 下容易出问题pip install --upgrade pip pip install netket如需 GPU 加速仅限 Linuxpip install netket[cuda]安装完成后验证版本python -c import netket; print(netket.__version__)完整的安装说明可以参考项目文档 docs/install.md。30 行代码实现 Ising 模型基态能量计算下面这段代码基于官方示例 Examples/Ising1d/ising1d.py 精简而来共 8 个步骤每一行都值得细读import netket as nk # 1. 构建一维周期性格点20 个格点 g nk.graph.Hypercube(length20, n_dim1, pbcTrue) # 2. 定义希尔伯特空间格点上的自旋 1/2 hi nk.hilbert.Spin(s1 / 2, Ng.n_nodes) # 3. 定义横场 Ising 哈密顿量 ha nk.operator.Ising(hilberthi, graphg, h1.0) # 4. 选择神经网络受限玻尔兹曼机 RBM ma nk.models.RBM(alpha1, use_visible_biasTrue, param_dtypefloat) # 5. 配置 Metropolis 局部采样器 sa nk.sampler.MetropolisLocal(hi, n_chains16) # 6. 选择随机梯度下降优化器 op nk.optimizer.Sgd(learning_rate0.02) # 7. 组装变分态采样数 1008 vs nk.vqs.MCState(sa, ma, n_samples1008, n_discard_per_chain10) # 8. 创建 VMC 驱动器并运行 1000 步迭代 gs nk.driver.VMC(ha, op, variational_statevs) gs.run(n_iter1000, outtest) # 输出最终基态能量 print(Ground state energy:, vs.expect(ha))逐行拆解NetKet 的核心组件第 1~2 行格点与希尔伯特空间。nk.graph.Hypercube定义了自旋之间的相互作用拓扑nk.hilbert.Spin则规定了每个格点上的局部自由度自旋 1/2即上下两个态。两者共同决定了系统的舞台。第 3 行构造哈密顿量。nk.operator.Ising是 NetKet 高度优化的专用算子其实现位于 netket/operator/_ising/base.py底层用 JAX 计算比用LocalOperator手动拼凑快得多。参数h1.0是横场强度控制量子涨落。第 4 行神经网络量子态。RBM受限玻尔兹曼机是量子变分蒙特卡洛的经典选择NetKet 的实现见 netket/models/rbm.py。alpha1控制隐藏单元数量特征密度param_dtypefloat表示使用实参数对应实波函数。第 5~6 行采样器与优化器。MetropolisLocal每次翻转一个自旋进行马尔可夫链采样Sgd是最简单的随机梯度下降。两者组合构成了采样-优化闭环。第 7~8 行变分态与驱动器。MCState将采样器、网络和样本数打包nk.driver.VMC则是整个训练循环的引擎内部完成能量估计、梯度计算和参数更新运行 1000 步后即可读取收敛的基态能量。如何验证结果是否准确训练结束后可以用 NetKet 自带的精确对角化工具交叉验证。以 20 格点 Ising 链为例参考实现位于 netket/exact.pyfrom netket.exact import lanczos_ed w lanczos_ed(ha, k3, compute_eigenvectorsFalse) print(Exact ground state energy:, w[0])将 VMC 结果与lanczos_ed给出的精确值对比你会发现两者吻合良好误差通常在 1% 以内而 VMC 的优势在于当系统扩大到 100 个自旋以上时精确对角化彻底失效VMC 依然可以运行。完整的能量收敛曲线还可以通过nk.logging.JsonLog记录并可视化。进阶玩法进一步加速收敛与扩展系统用随机重构SR加速。把驱动器换成VMC_SR并配合学习率衰减如 Examples/Ising2d/ising2d.pyimport optax op nk.optimizer.Sgd(learning_rateoptax.linear_schedule(0.01, 0.0001, 1000)) gs nk.driver.VMC_SR(ha, op, variational_statevs, diag_shift0.001)切换到全求和模式。小系统下可改用FullSumState见 Examples/FullSummation/ising.py直接精确计算所有态能量误差为零。扩展到其他模型。只需替换算子与模型二维 Ising 用n_dim2的 Hypercube海森堡模型用nk.operator.Heisenberg加RBMSymm对称网络见 Examples/Heisenberg1d/heisenberg1d.py逻辑完全一致。新手常见问题与排查技巧安装报错先升级 pip确认 Python ≥ 3.11不要使用 conda 安装 JAX。能量不收敛增大n_samples如 2048、调小学习率、增加n_iter或改用VMC_SR。想复现官方结果可克隆仓库获取全部示例git clone https://gitcode.com/gh_mirrors/ne/netket示例脚本位于Examples/目录。总结从构建格点、定义哈密顿量到训练神经网络、验证基态能量NetKet 把复杂的量子多体计算压缩进了 30 行代码。它让你无需掌握繁琐的量子力学推导就能用机器学习方法研究 Ising 模型乃至更复杂的多体量子系统。现在就运行这段代码感受用神经网络解薛定谔方程的魅力吧【免费下载链接】netketMachine learning algorithms for many-body quantum systems项目地址: https://gitcode.com/gh_mirrors/ne/netket创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 NetKet 实战入门：如何用 30 行 Python 代码计算 Ising 模型基态能量
NetKet 实战入门如何用 30 行 Python 代码计算 Ising 模型基态能量【免费下载链接】netketMachine learning algorithms for many-body quantum systems项目地址: https://gitcode.com/gh_mirrors/ne/netketNetKet 是一个基于 JAX 的开源机器学习框架专门用于求解多体量子系统而它最经典的应用之一就是用神经网络计算 Ising 模型基态能量。本文将以 1D 横场 Ising 模型为例带你用不到 30 行 Python 代码完成从构建哈密顿量到输出基态能量的完整流程即使是量子力学和深度学习的新手也能轻松上手。为什么用神经网络求解 Ising 模型基态能量传统的精确对角化方法在系统变大时会遇到指数级困难20 个自旋的 Ising 链希尔伯特空间维度高达 2²⁰ ≈ 100 万而 30 个自旋就超过 10 亿普通计算机根本无法直接处理。NetKet 的思路是使用变分蒙特卡洛VMC用一个受限玻尔兹曼机RBM等神经网络参数化量子态再通过采样迭代优化逼近真实基态。它把对角化矩阵变成了训练神经网络这正是 NetKet 的核心价值所在。NetKet 快速安装步骤NetKet 要求 Python 3.11 及以上版本推荐使用 pip 安装不要用 condaJAX 在 conda 下容易出问题pip install --upgrade pip pip install netket如需 GPU 加速仅限 Linuxpip install netket[cuda]安装完成后验证版本python -c import netket; print(netket.__version__)完整的安装说明可以参考项目文档 docs/install.md。30 行代码实现 Ising 模型基态能量计算下面这段代码基于官方示例 Examples/Ising1d/ising1d.py 精简而来共 8 个步骤每一行都值得细读import netket as nk # 1. 构建一维周期性格点20 个格点 g nk.graph.Hypercube(length20, n_dim1, pbcTrue) # 2. 定义希尔伯特空间格点上的自旋 1/2 hi nk.hilbert.Spin(s1 / 2, Ng.n_nodes) # 3. 定义横场 Ising 哈密顿量 ha nk.operator.Ising(hilberthi, graphg, h1.0) # 4. 选择神经网络受限玻尔兹曼机 RBM ma nk.models.RBM(alpha1, use_visible_biasTrue, param_dtypefloat) # 5. 配置 Metropolis 局部采样器 sa nk.sampler.MetropolisLocal(hi, n_chains16) # 6. 选择随机梯度下降优化器 op nk.optimizer.Sgd(learning_rate0.02) # 7. 组装变分态采样数 1008 vs nk.vqs.MCState(sa, ma, n_samples1008, n_discard_per_chain10) # 8. 创建 VMC 驱动器并运行 1000 步迭代 gs nk.driver.VMC(ha, op, variational_statevs) gs.run(n_iter1000, outtest) # 输出最终基态能量 print(Ground state energy:, vs.expect(ha))逐行拆解NetKet 的核心组件第 1~2 行格点与希尔伯特空间。nk.graph.Hypercube定义了自旋之间的相互作用拓扑nk.hilbert.Spin则规定了每个格点上的局部自由度自旋 1/2即上下两个态。两者共同决定了系统的舞台。第 3 行构造哈密顿量。nk.operator.Ising是 NetKet 高度优化的专用算子其实现位于 netket/operator/_ising/base.py底层用 JAX 计算比用LocalOperator手动拼凑快得多。参数h1.0是横场强度控制量子涨落。第 4 行神经网络量子态。RBM受限玻尔兹曼机是量子变分蒙特卡洛的经典选择NetKet 的实现见 netket/models/rbm.py。alpha1控制隐藏单元数量特征密度param_dtypefloat表示使用实参数对应实波函数。第 5~6 行采样器与优化器。MetropolisLocal每次翻转一个自旋进行马尔可夫链采样Sgd是最简单的随机梯度下降。两者组合构成了采样-优化闭环。第 7~8 行变分态与驱动器。MCState将采样器、网络和样本数打包nk.driver.VMC则是整个训练循环的引擎内部完成能量估计、梯度计算和参数更新运行 1000 步后即可读取收敛的基态能量。如何验证结果是否准确训练结束后可以用 NetKet 自带的精确对角化工具交叉验证。以 20 格点 Ising 链为例参考实现位于 netket/exact.pyfrom netket.exact import lanczos_ed w lanczos_ed(ha, k3, compute_eigenvectorsFalse) print(Exact ground state energy:, w[0])将 VMC 结果与lanczos_ed给出的精确值对比你会发现两者吻合良好误差通常在 1% 以内而 VMC 的优势在于当系统扩大到 100 个自旋以上时精确对角化彻底失效VMC 依然可以运行。完整的能量收敛曲线还可以通过nk.logging.JsonLog记录并可视化。进阶玩法进一步加速收敛与扩展系统用随机重构SR加速。把驱动器换成VMC_SR并配合学习率衰减如 Examples/Ising2d/ising2d.pyimport optax op nk.optimizer.Sgd(learning_rateoptax.linear_schedule(0.01, 0.0001, 1000)) gs nk.driver.VMC_SR(ha, op, variational_statevs, diag_shift0.001)切换到全求和模式。小系统下可改用FullSumState见 Examples/FullSummation/ising.py直接精确计算所有态能量误差为零。扩展到其他模型。只需替换算子与模型二维 Ising 用n_dim2的 Hypercube海森堡模型用nk.operator.Heisenberg加RBMSymm对称网络见 Examples/Heisenberg1d/heisenberg1d.py逻辑完全一致。新手常见问题与排查技巧安装报错先升级 pip确认 Python ≥ 3.11不要使用 conda 安装 JAX。能量不收敛增大n_samples如 2048、调小学习率、增加n_iter或改用VMC_SR。想复现官方结果可克隆仓库获取全部示例git clone https://gitcode.com/gh_mirrors/ne/netket示例脚本位于Examples/目录。总结从构建格点、定义哈密顿量到训练神经网络、验证基态能量NetKet 把复杂的量子多体计算压缩进了 30 行代码。它让你无需掌握繁琐的量子力学推导就能用机器学习方法研究 Ising 模型乃至更复杂的多体量子系统。现在就运行这段代码感受用神经网络解薛定谔方程的魅力吧【免费下载链接】netketMachine learning algorithms for many-body quantum systems项目地址: https://gitcode.com/gh_mirrors/ne/netket创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考