基于机器学习且带不确定性分析的量子动力学自动演化
量子物理
2022-05-10 v1
摘要
机器学习方法被应用于开放量子系统的动力学模拟。长短期记忆循环神经网络（LSTM-RNN）模型用于模拟长时间量子动力学，这些模型基于短时间演化的关键信息构建。我们采用多种超参数优化方法，包括模拟退火、基于树结构 Parzen 估计器的贝叶斯优化和随机搜索，以实现 LSTM-RNN 模型的自动构建与调整。考察了三种超参数优化方法的实现细节，其中由于模拟退火方法的优异性能，强烈推荐使用该方法。通过自助采样与蒙特卡洛 dropout 方法相结合，对机器学习模型的不确定性进行了全面分析，从而给出了 LSTM-RNN 模型在开放量子动力学模拟中的预测置信度。本工作构建了一种有效的机器学习方法来模拟开放量子系统的动力学演化。此外，当前研究提供了一种高效的协议，用于构建最优神经网络并估计机器学习模型的可信度。
引用
@article{arxiv.2205.03600,
title = {Automatic Evolution of Machine-Learning based Quantum Dynamics with Uncertainty Analysis},
author = {Kunni Lin and Jiawei Peng and Chao Xu and Feng Long Gu and Zhenggang Lan},
journal= {arXiv preprint arXiv:2205.03600},
year = {2022}
}