Abordagem de deep learning para física de muitos corpos quânticos

• Processo: 20/10505-6
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de março de 2021
• Data de Término da vigência: 31 de agosto de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Física - Física da Matéria Condensada
• Pesquisador responsável: Silvio Antonio Sachetto Vitiello
• Beneficiário: William Freitas e Silva
• Instituição Sede: Instituto de Física Gleb Wataghin (IFGW). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 16/17612-7 - Dinâmica de sistemas de muitos corpos IV, AP.TEM
• Assunto(s): Sistemas quânticos Aprendizagem profunda Problemas de muitos corpos Física computacional
• Palavra(s)-Chave do Pesquisador: Backflow iterativo | Deep Learning | Matriz densidade variacional | Monte Carlo quântico | Supersólido | Warm Dense Matter | Sistemas quânticos

Resumo

Este projeto tem como objetivo estudar sistemas de interesse atual, como hélio fermiônico e "warm-dense matter". Por exemplo, propriedades como suscetibilidade e estabilidade do estado não polarizado do 3He estão entre os tópicos de estudo, bem como o comportamento do gás elétron sob condições quentes e densas. Para investigar o problema, o objetivo é desenvolver uma função de onda variacional e uma matriz de densidade variacional através de redes neurais artificiais, combinando as abordagens de "deep learning" e "backflow" iterativo. O trabalho proposto permite a pesquisa de importantes tópicos em andamento no campo da Física Computacional. Além disso, existem resultados possivelmente promissores que valem a pena ser analisados. (AU)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

SILVA, William Freitas e. Abordagem de deep learning para sistemas quânticos de muitos corpos. 2024. Tese de Doutorado - Universidade Estadual de Campinas (UNICAMP). Instituto de Física Gleb Wataghin Campinas, SP.