基于物理信息神经网络视角求解量子电动力学的道格拉斯-施瓦西方程
高能物理 - 唯象学
2025-08-20 v3 机器学习
高能物理 - 理论
摘要
我们采用物理信息神经网络 (Physics-informed neural networks, PINNs) 求解量子电动力学 (QED) 的道格拉斯-施瓦西方程，聚焦于在兰道赫规范下实现费米子动力学质量函数的非扰动生成。通过将积分方程直接插入损失函数，我们的 PINN 框架使得单个神经网络能够学习动量谱范围内质量函数的连续可微表示。我们还对比传统数值算法，展示二者之间的主要差异。我们的新策略预计可扩展至其他量子场论，标志着机器学习在高级理论物理中的应用的第一步。
引用
@article{arxiv.2411.02177,
title = {Physics-informed neural networks viewpoint for solving the Dyson-Schwinger equations of quantum electrodynamics},
author = {Rodrigo Carmo Terin},
journal= {arXiv preprint arXiv:2411.02177},
year = {2025}
}
备注
18 pages, 2 figures, 2 tables. The requested changes from SciPost Physics reviewers have been implemented