通过学习可观测量映射的经典极限神经网络仿真

量子力学的经典极限通过严格形变量子化等框架进行了正式探讨，它仍然是物理学哲学中一个意义深远的探究领域。本文探索了一种计算方法，利用神经网络仿真当普朗克常数 $\hbar$ 趋近于零时，量子谐振子中经典行为的涌现。我们开发并训练了一种神经网络架构，以学习从初始期望值和 $\hbar$ 到位置期望值时间演化的映射。通过分析网络在不同 $\hbar$ 区间的预测，我们旨在为量子-经典转变的本质提供计算层面的见解。这项工作展示了机器学习作为探索量子力学及其经典极限中基础性问题的补充工具的潜力。