基于神经网络的非Markovian随机Schrödinger方程方法用于增强开放量子动力学仿真
量子物理
2024-11-26 v1 化学物理
摘要
非Markovian随机Schrödinger方程（NMSSE）为开放量子仿真提供了有前景的途径，尤其在大规模系统中表现突出，因其低的规模复杂度和并行计算的适应性。然而，其在低温下的应用面临显著收敛挑战。虽然短时间演化快速收敛，但长时间演化需要大量随机轨迹，导致高计算成本。为此，我们提出了一种结合神经网络技术与非Markovian随机Schrödinger方程仿真的方案。通过集成卷积神经网络（CNNs）和长短期记忆循环神经网络（LSTMs），并采用迭代注意力特征融合（iAFF）技术，该方法显著减少了长时间仿真所需的轨迹数量，尤其在低温下，从而大幅降低计算成本并提高收敛性。为验证我们的方法，我们研究了自旋-玻色子模型和Fenna-Matthews-Olson（FMO）复合物在各种参数变动下的动力学行为。
引用
@article{arxiv.2411.15914,
title = {Enhancing Open Quantum Dynamics Simulations Using Neural Network-Based Non-Markovian Stochastic Schr\"odinger Equation Method},
author = {Kaihan Lin and Xing Gao},
journal= {arXiv preprint arXiv:2411.15914},
year = {2024}
}