Propagadores electrónicos convolucionales de grafos basados en aprendizaje automático

Área de la Ciencia:

• Mecánica cuántica
• Química computacional
• Aprendizaje automático

Sus antecedentes:

• La simulación de la evolución temporal de sistemas cuánticos requiere muchos recursos computacionales.
• Los métodos existentes tienen problemas de escalabilidad para sistemas moleculares y de fase condensada complejos.

Objetivo del estudio:

• Desarrollar un nuevo marco de aprendizaje automático basado en grafos para simular la dinámica electrónica.
• Introducir y evaluar dos variantes del modelo: una para funciones de onda y otra para densidades electrónicas.

Principales métodos:

• Se utilizó una arquitectura recursiva de redes neuronales de grafos de Chebyshev.
• Se entrenaron modelos con datos de trayectoria de sistemas de enlace fuerte y acoplados electrón-fonón.
• Se investigó la propagación de funciones de onda complejas y de densidad electrónica.

Principales resultados:

• Los modelos basados en funciones de onda lograron una propagación a largo plazo casi exacta en varios regímenes.
• Los modelos solo de densidad mostraron un fuerte rendimiento con funciones de pérdida informadas por la física.
• Se demostró el potencial para la simulación de la dinámica electrónica independiente de la resolución.

Conclusiones:

• El marco basado en grafos proporciona una base para simulaciones cuánticas escalables.
• Este enfoque abre nuevas vías para el estudio de sistemas cuánticos complejos.
• Los modelos desarrollados ofrecen una simulación eficiente y precisa de procesos electrónicos.