以利开创了一种新型逆凝聚态物理的方法。在典型的凝聚态物理方法,你开始哈密顿和发现基态和它的属性。作者设计了一系列的方法,你从一个目标开始基态波函数或一组对称,然后推导出全套父汉密尔顿从这个集合。

使用这些方法,以利发现了一个全新的量子自旋液体的动物园供应量较大作为输入威尔逊循环对称的运营商复曲面的代码。这些spin-liquids是不寻常的在他们的可积性属性。此外,以利开发了机械可以采用任意的马约喇纳zero-modes空间分布和输出父中心汉密尔顿楼基态。

以利开发了一种新算法,发现l-bits在多体的局部系统和使用这种新技术展示MBL-like行为的存在2 d和3 d海森堡模型第一次。

伊莱目前在量子计算领域的工作。

Eli了安德森研究生奖(最佳在伊利诺斯大学的研究生),2017年的NSF研究生奖学金优秀奖的部门斯科特安德森2017年优秀研究生助理奖。

瑞安工作大体的凝聚态专业领域跨越从量子蒙特卡罗模拟方法张量网络。

瑞安开发了一个算法,自动搜索一个(简单的)的基础上,最大限度地减少在量子蒙特卡罗sign-problem的影响。他甚至完成这个尽管评估sign-problem的坏处是棘手的(因为,可见sign-problem !)

瑞安在另一个项目,开发了一个方法并行DMRG(可能是最重要的物理学算法并行化,没有合理的方法)。使用这种并行的方法,我们可以解决量子spin-systems以同样的成本,但十倍提高墙上时钟的时间!

瑞安还利用DMRG反驳马约喇纳的存在在pair-density波的典范。

瑞安最近一直在随机张量网络。

迪曾在多体的定位、机器学习和量子计算。

领域的多体的定位、Di显示的第一个具体的模型的本征态阶段超出了多体的本地化阶段。具体,spin-disordered哈伯德模型既有地区法律和log-law态下。

在机器学习中,迪最近开发了神经网络回流。神经网络的回流是一个新的变分拟设为使用与费米子神经网络。

加比在张量网络的区域工作

矩阵乘积和斯莱特行列式是变分的微波函数的关键。加已经开发了一个新的方法以斯莱特行列式并生成无限矩阵乘积的任何状态。有趣的是,这给生成大的振幅类的能力的决定因素的成本更快然后立方。

加比已经开始开发一种推广这种技术二次平均所有字段。诀窍是微妙和优雅。你可以写任何二次平均场的本征态(经过转换)作为约束斯莱特行列式在希尔伯特空间更大。二次平均场的小鬼你做转换,有关斯莱特行列式转化为一个小鬼,议员语言项目的约束(这是关键一步!),然后撤销的转换。这种方法还允许二次平均场的代表产品。

最后,加了他的一项研究比较了纠缠光谱的一系列slave-fermion州的紧密纠缠光谱显示,他们同意。

阿比德正在机器学习实验数据和MERA网络。

乍得正在spin-liquids。

卢卡斯正在量子计算

詹姆斯正在spin-liquids。

格雷格在量子计算和多体的本地化工作。

本杰明的观点主要集中在该地区的多体的定位和量子计算。本杰明是八个论文合著者在他的研究生生涯。

MBL的一个关键问题是理解MBL-ergodic过渡的性质和便雅悯的论文发现了一个过渡的关键属性。在一个工作中,本杰明显示典型的相关性在这个过渡拉伸指数与指数(1/2),类似于在随机单线态阶段。这个拉伸指数行为(不同指数)延伸到MBL的阶段。本杰明还发现(过渡)的分布(对数)的相关性显示普遍的行为;每一刻前两个以上这个分布范围没有依赖。

在另一个工作,本杰明显示MBL-ergodic之间的转换是由杂交双态下不同的旋转的非本地集群。一系列的概率不同的旋转分开独立于r给特别range-agnostic角色的转变。这一标准解释已知的遍历性的不稳定阶段的相关长度1 /日志(2)。

本杰明还显示,相关长度在MBL阶段是作为日志(W / W_c) +日志(2)。这已被验证的上下文中L = 32 MBL态下以及组合态下。

除了这些作品,本杰明已经发现证据的一个重要贡献者MBL在多个维度以及开发新的变分量子eigensolvers量子计算机。最后,论文工作之外,本杰明在谷歌实习/ NASA和很大程度上引发了他们的实验在量子的霸权。

本杰明·乔丹赢得了物理学部门问奖,承认一年欧洲优秀研究生。

本杰明已经在谷歌量子。

Dmitrii的论文集中在两个专业领域——沮丧的磁性和机器学习与工作五个文件。此外,Dmitrii开发一批重大研究代码包括我们组高度并行的精确对角化代码,我们运行在蓝色的海水和一个基于GPU的变分蒙特卡罗tensorflow代码之上。

Dmitrii是一个团队的一部分,发现所有阶段的“母亲”戈薇晶格——一个简单的退化哈密顿Dmitrii显示是连接到一个宏观上的阶段包括著名的戈薇海森堡spin-liquid (KAHF)。他还表明,KAHF非常接近(也许)自旋液体之间的临界点,另一个阶段。

Dmitrii第二进军沮丧的磁性是解决量子自旋1/2的相图填充蜂窝晶格。优化两个参数在此阶段图结果在9个不同阶段使其成为最富有的量子相图我知道。这些阶段是spin-liquid之一。

最后,Dmitrii促成了一个烧绿石尖晶石的实验测量分析

在机器学习领域,Dmitrii了许多重要的贡献。首先,他开发了一种范式,计算图州代表任何计算机程序作为一个变分波函数。世纪的变分方法,拟设已成为更一般的参数。计算图状态,实现这一过程尽可能最一般拟设。

Dmitrii第二大“机器学习”的贡献是开发一种新的变分优化方法,监督波函数优化(SWO)受监督学习的想法。通常,我们在变分优化蒙特卡罗的采取措施减少能量。SWO相反,我们优化目标对一个已经存在的波函数匹配的忠诚。这真的打开了一个全家的优化技术。一种技术在这个家庭复制虚构的时间演化效率和数值稳定的方法。

在这项工作的过程中,Dmitrii测试了大量新的拟设。虽然许多人竞争状态的艺术,在概念上的一个最有趣的是卷积神经网络波函数。事实证明这个波函数可以训练一个系统规模(N = 40美元),然后自然地推广到其他系统大小不改变任何参数。这给本质上拟设在热力学极限下的小鬼和ipeps精神一样。

最后,Dmitrii做了大量的分析研究神经网络速度的微波函数方法真正的基态当你增加神经元的总数以及理解符号结构的交互效应。

Dmitrii约旦问奖,赢得了物理学部门的承认今年的欧洲优秀研究生。

Dmitrii已经在谷歌AI居留权。