利用物理信息神经网络解决 deuteron 基态问题
计算物理
2026-02-13 v1 核理论
量子物理
摘要
机器学习技术已被证明在处理原子核结构方面具有有效性。物理信息神经网络 (Physics-Informed Neural Networks, PINNs) 是一种适用于求解如许多体 Schrödinger 问题所需的积分-微分问题的有前景的机器学习技术。迄今为止，尚未演示使用该方法提取核子本征态。本文针对动量空间中的真实核子-核子相互作用，包括包含强高动量关联的模型，Demonstrate 了对 deuteron 高度准确的结果。我们进一步提供了坐标空间中的额外基准测试。我们引入一种变分能表达式纳入损失函数中，可在 PINNs 框架下高效评估。结果与已获证实的数值方法高度一致，PINN 预测的结合能值与数值基准值的相对误差约为 量级。我们的ethods 为利用 PINNs 求解更复杂原子核奠定了基础。
引用
@article{arxiv.2602.11193,
title = {Addressing the ground state of the deuteron by physics-informed neural networks},
author = {Lorenzo Brevi and Antonio Mandarino and Carlo Barbieri and Enrico Prati},
journal= {arXiv preprint arXiv:2602.11193},
year = {2026}
}