量子古典系の非断熱ダイナミクスモデリングのためのリカレント畳み込みニューラルネットワーク

科学分野:

• 計算物理学
• 量子力学
• 機械学習

背景:

• リカレントニューラルネットワーク（RNN）は、データにおける時間的依存性のモデリングに優れています。
• ハイブリッド量子古典系は、結合された古典的および量子力学的ダイナミクスを含みます。
• これらの系のモデリングは、複雑な物理現象の理解にとって重要です。

研究 の 目的:

• 非線形非断熱ダイナミクスのハイブリッド量子古典系のシミュレーションのための新しいRNNモデルを導入すること。
• 一次元半古典ホルシュタイン模型にモデルを適用すること。
• 様々なクエンチ条件下での性能を評価すること。

主な方法:

• 物理学認識リカレント畳み込み（PARC）ニューラルネットワークアーキテクチャを開発しました。
• 時空間ダイナミクスをモデル化するために微分積分器を組み込みました。
• RNNフレームワーク内で畳み込みニューラルネットワーク（CNN）を利用しました。

主要な成果:

• PARC-CNNモデルは、ホルシュタイン模型における浅いクエンチの決定論的ダイナミクスを正確に捉えました。
• 深いクエンチは長期予測にとって課題となるカオス的な進化を引き起こしました。
• このアーキテクチャは、深いクエンチ条件下でのシステムの統計的気候を効果的に学習しました。

結論:

• PARC-CNNは、複雑な量子古典ダイナミクスのモデリングのための強力なツールです。
• 決定論的およびカオス的レジームの両方への適応性を示しています。
• このアプローチは、物理システムのシミュレーションにおける機械学習の応用を進歩させます。