Markov Chain Monte Carlo: Équilibre détaillé et réseaux neuronaux

Cette séance de cours présente la chaîne de Markov Monte Carlo comme une stratégie pour générer des échantillons dans une chaîne, expliquant les probabilités de transition et la condition d'équilibre détaillée. Il se penche ensuite sur l'application des réseaux neuronaux dans la représentation des états quantiques, en discutant de la normalisation des fonctions d'onde et des états quantiques autorégressifs. L'instructeur présente l'utilisation des réseaux neuronaux dans l'approximation des états fondamentaux des systèmes de spins frustrés, soulignant les améliorations de la précision au fil du temps et l'importance des symétries dans l'amélioration des résultats.