基于机器学习研究驱动量子热机的非平衡涨落
量子物理
2019-02-06 v1 统计力学
摘要
我们提出一种基于人工神经网络的机器学习方法，以更快洞察几何贡献在耦合到腔的绝热温度驱动量子热机非平衡涨落中的作用。利用人工神经网络，我们探究了不同热机参数下聚束与反聚束光子交换统计之间的相互作用。我们报道，在关键腔温度之外，Fano 因子作为驱动协议间相位差的函数在巨值与低值间振荡。我们进一步观察到，当涨落存在有限几何贡献时标准热力学不确定关系不成立，但即使在相干存在时，对于零相位差仍成立。
引用
@article{arxiv.1810.05913,
title = {Nonequilibrium fluctuations of a driven quantum heat engine via machine learning},
author = {Sajal Kumar Giri and Himangshu Prabal Goswami},
journal= {arXiv preprint arXiv:1810.05913},
year = {2019}
}
备注
8 pages, 8 figures. keywords: artificial intelligence, quantum thermodynamics, geometric phase, counting statistics, fluctuation theorem, thermodynamic uncertainty relation