生成式深度学习揭示费米子系统的集体变量
核理论
2023-06-16 v1 量子物理
摘要
从蛋白质折叠到核裂变等复杂过程通常遵循由少数集体变量参数化的低维反应路径。在核理论中，平均场图像中与核密度形状相关的变量是描述中子与质子大振幅集体运动的关键。探索这些自由度所张成的绝热能量景观可揭示可能的反应通道，而在此约化空间中模拟动力学可给出各自的概率。遗憾的是，每当系统经历相对于集体变量的量子相变时，该理论框架便失效。在此我们提出一种生成式深度学习算法，能够构建高度代表核过程的新的集体变量，同时确保其到费米子波函数的可微映射。在此集体空间中，原子核可连续地从其一绝热量子相演化至另一相，代价是跨越势能垒。该方法适用于由单一Slater行列式描述的任何费米子系统，涵盖密度泛函理论所描述的电子系统。
引用
@article{arxiv.2306.08348,
title = {Generative deep-learning reveals collective variables of Fermionic systems},
author = {Raphaël-David Lasseri and David Regnier and Mikaël Frosini and Marc Verriere and Nicolas Schunck},
journal= {arXiv preprint arXiv:2306.08348},
year = {2023}
}