用于 CNN 预测 Fenna-Matthews-Olson 能量传递动力学的多时间尺度时编码

开放量子动力学的机器学习仿真常依赖递归预测器，易产生误差。我们发展一种非递归卷积神经网络（CNN），将系统参数和冗余时编码直接映射到 Fenna-Matthews-Olson 复合物的激发能量传递概率密度。该编码修改的 logistic 函数加上 $\tanh$ 归一化时序，解决快、过渡和准稳态 regime，同时以物理信息标签强制执行概率守恒和链间一致性。仅基于 Lindblad 模型在 QuTiP 中生成的 $0\sim7$ ps 参考轨迹训练，该网络在各种重组能、浴率和温度下准确预测 $0\sim100$ ps 动力学。超过 $20$ ps 时，绝对相对误差仍小于 0.05，表明稳定的长期外推。通过避免逐步递归，该方法抑制误差累积并在时间尺度间推广。这些结果表明，冗余时编码实现了对现实 pigment-蛋白复合物中长期量子耗散动力学的数据高效推断，并可能有助于数据驱动的光捕获材料设计。