利用机器学习实现 MM-SQC 动力学中的轨迹传播
量子物理
2022-07-13 v1 计算物理
摘要
将监督机器学习（ML）方法应用于基于 Meyer-Miller 映射哈密顿量（MM-SQC）的对称准经典动力学方法框架内，实现基于轨迹的非绝热动力学。在构建长短期记忆循环神经网络（LSTM-RNN）模型后，将其用于从初始采样条件出发执行完整的轨迹演化。所提出的思路在若干位点-激子电子-声子耦合模型的动力学模拟中被证明是可靠且准确的，这些模型涵盖具有偏置和非偏置能级的两位点和三位点系统，并包含少数或多数声子模式。LSTM-RNN 方法还展现出对长时间演化获取准确且稳定结果的强大能力。这表明 LSTM-RNN 模型完美捕获了 MM-SQC 动力学中轨迹演化的动力学修正信息。我们的工作为在具有大量自由度的复杂系统基于轨迹的非绝热动力学模拟中采用 ML 方法提供了可能性。
引用
@article{arxiv.2207.05556,
title = {Realization of the Trajectory Propagation in the MM-SQC Dynamics by Using Machine Learning},
author = {Kunni Lin and Jiawei Peng and Chao Xu and Feng Long Gu and Zhenggang Lan},
journal= {arXiv preprint arXiv:2207.05556},
year = {2022}
}