利用多重优化循环神经网络预测捕光复合物中激发能量传递的量子演化
应用物理
2024-12-31 v2
摘要
构建模型以发现海量数据背后的物理是数据挖掘中的传统策略，已被证明是强大且成功的。在这项工作中，利用一个多重优化循环神经网络（MRNN）来预测光合作用激发能量传递（EET）在捕光复合物中的动力学。由主方程生成的原始数据集被训练以预测 EET 演化。我们的预测与理论推导之间的一致性超过 99.26%，显示了所提出的 MRNN 的有效性。一个时间分段多项式拟合乘以单位阶跃函数得到的损失率在 量级，显示出与光合作用 EET 解析公式的惊人一致性。这项工作通过建立隐藏物理的解析描述，为从大数据集中进行精确 EET 预测开创了先例，同时最小化了弱耦合 EET 演化过程中的处理成本。
引用
@article{arxiv.2401.17775,
title = {Predicting quantum evolutions of excitation energy transfer in a light-harvesting complex using multi-optimized recurrent neural networks},
author = {Shun-Cai Zhao and Yi-Meng Huang and Zi-Ran Zhao},
journal= {arXiv preprint arXiv:2401.17775},
year = {2024}
}
备注
16 pages, 9 figures