- 発表者
- 酒井 裕貴（草部研）
- 指導教員
- 草部 浩一
- Title
- HReconstruct Spectral function using Neural Network
- Abstract
-
In the many-body electron theory, spectral function is obtained by analytic continuation of the temperature Green's function. It represents a probability distribution of single-particle excitations with each energy as well as coherent collective excitations. As numerical method for analytic continuation, Maximum Entropy method (MEM) [1] is widely used. And recently, a new method using Neural Network (a representative method of machine learning) is proposed (ML) [2]. In the former work, researchers focused on the numerical error for exact solution and did not clarify that ML method is able to reconstruct the characteristic of a spectral function. In this study, we evaluated ML method focusing on the reproducibility of the peak count of a spectral function. Our results show that ML method has some advantages against MEM.
- タイトル
- ニューラルネットワークを利用したスペクトル関数の再構築
- 概要
-
多電子系の物理において、スペクトル関数は電子の励起確率を表す確率分布関数であり、温度グリーン関数を解析接続することによって得られる。 これまで、数値的手法として最大エントロピー法(MEM)[1]が広く使われていたが、近年機械学習の代表的な手法であるニューラルネットワークを利用した手法(ML)が提案された。[2] 先行研究では厳密解に対する数値的誤差を論じるに留まっており、有効なスペクトル形状が構築できているか否かについては明らかにされていなかった。 今回の発表では、スペクトル関数のピーク数の再現性に注目して、MLの評価を行った。 MLを評価した結果、MLにはMEMを上回る性能が表れた。
- References