机器学习增强的结构化谱密度表征：利用反应坐标映射
量子物理
2025-01-14 v1 无序系统与神经网络
介观与纳米尺度物理
摘要
谱密度编码了开放量子系统中系统-环境相互作用的关键信息，在塑造系统动力学中起核心作用。本文利用机器学习技术重建关键环境特征，通过使用反应坐标映射模拟系统动力学，从而超越弱耦合区域。对于具有表示为洛伦兹峰之和的结构化谱密度的耗散自旋-玻色模型，我们证明系统可观测量随时间演化可被神经网络用于将谱密度分类为包含一个、两个或三个洛伦兹峰，并准确预测其中心频率。
引用
@article{arxiv.2501.07485,
title = {Machine Learning-Enhanced Characterisation of Structured Spectral Densities: Leveraging the Reaction Coordinate Mapping},
author = {Jessica Barr and Alessandro Ferraro and Mauro Paternostro and Giorgio Zicari},
journal= {arXiv preprint arXiv:2501.07485},
year = {2025}
}
备注
15+6 pages, 11 figures. Comments welcome!