不同机器学习方法用于耗散量子动力学预测的比较研究
量子物理
2023-04-14 v1 计算物理
摘要
最近的研究表明，给定短时布居动力学，监督机器学习（ML）算法能够准确且高效地预测耗散量子系统的长时布居动力学。在本文中，我们在预测双能级量子系统（线性耦合到谐振子浴）长时动力学的能力上对22种ML模型进行了基准测试。这些模型包括单向与双向循环、卷积以及全连接前馈人工神经网络（ANNs）和带有线性及最常用非线性核的核岭回归（KRR）。我们的结果表明，在输入轨迹定长合适的情况下，带有非线性核的KRR可作为一种廉价而准确的模拟长时动力学的方法。卷积门控循环单元模型被发现是最高效的ANN模型。
引用
@article{arxiv.2207.02417,
title = {A comparative study of different machine learning methods for dissipative quantum dynamics},
author = {Luis E. Herrera Rodriguez and Arif Ullah and Kennet J. Rueda Espinosa and Pavlo O. Dral and Alexei A. Kananenka},
journal= {arXiv preprint arXiv:2207.02417},
year = {2023}
}
备注
22 pages, 6 figures