基于量子蒙特卡洛与 $\Delta$-学习的主氘 Hugoniot 曲线
强关联电子
2025-03-12 v2 人工智能
计算物理
摘要
我们研究了压力高达 GPa 的主氘 Hugoniot 曲线，使用由量子蒙特卡洛（QMC）能量、力和压力训练的机器学习势（MLPs）。特别地，我们采用了一种基于高斯核回归与 -学习结合的近期提出的工作流。通过充分利用该方法，我们显式考虑了动力学中的有限温度电子，其效应在高于 kK 的温度下高度相关。我们的 MLP 所得的 Hugoniot 曲线与最新实验吻合良好，尤其在低于 60 GPa 的区域。在更高压力下，我们的 Hugoniot 曲线比实验给出的略具可压缩性，而后者的不确定度通常随压力增大。我们的工作表明，QMC 可成功与 -学习结合，以均场计算的计算代价保持 QMC 精度，从而在不同热力学条件下为复杂扩展系统部署可靠的 MLP。
引用
@article{arxiv.2301.03570,
title = {Principal deuterium Hugoniot via Quantum Monte Carlo and $\Delta$-learning},
author = {Giacomo Tenti and Kousuke Nakano and Andrea Tirelli and Sandro Sorella and Michele Casula},
journal= {arXiv preprint arXiv:2301.03570},
year = {2025}
}
备注
7 + 10 pages; new version with improved QMC dataset. Hugoniot curve and discussion updated accordingly, main physical outcomes unchanged