光系统 II 反应中心中由长短期记忆网络预测的量子动力学演化
化学物理
2025-07-15 v2 量子物理
摘要
从有限的理论模拟数据中预测未来的物理行为，是由人工智能与量子物理融合所驱动的一种新兴研究范式。在这项工作中，使用深度学习模型——带有误差阈值训练方法的长短期记忆（LSTM）网络，在光系统 II 反应中心（PSII-RC）中预测了扩展时间尺度上的电荷传输（CT）行为。8 fs 以内的理论模拟数据被用于训练修改后的 LSTM 网络，与训练集收集时间相比，在较长时期内产生了数量级为 的明显差异的预测。结果突出了 LSTM 在揭示超越传统量子物理方法的支配 CT 的底层物理方面的潜力。这些发现值得进一步研究，以充分探索 LSTM 在推进我们对分子尺度光合作用理解方面的范围和效力。
关键词
引用
@article{arxiv.2405.12232,
title = {Quantum dynamics evolution predicted by the long short-term memory network in the photosystem II reaction center},
author = {Zi-Ran Zhao and Shun-Cai Zhao and Yi-Meng Huang},
journal= {arXiv preprint arXiv:2405.12232},
year = {2025}
}
备注
7 pages, 13 figures