基于 Lehmann 表示的量子杂质问题的物理信息神经网络模型
强关联电子
2024-12-02 v1
摘要
我们提出了一种基于 Lehmann 表示的物理信息神经网络 (PINN) 模型，用于高效预测 Anderson 杂质模型 (AIMs) 的自能。以单轨道 AIM (SAIM) 作为示例，适用于非相互作用电子浴且密度为半圆形。经过在广泛的氧化剂相互作用 和杂化强度 范围内训练，PINN 模型在 - 和 Matsubara 频率空间中表现出高精度。此外，我们研究了在 PINN 模型中实现的物理约束的有效性。例如，我们展示了 Lehmann 表示允许 PINN 模型将电子填充数的最大测试误差约减7.8倍。
引用
@article{arxiv.2411.18835,
title = {Physics-informed neural network model for quantum impurity problems based on Lehmann representation},
author = {Fumiya Kakizawa and Satoshi Terasaki and Hiroshi Shinaoka},
journal= {arXiv preprint arXiv:2411.18835},
year = {2024}
}
备注
11 pages, 14 figures