使用神经网络从局部密度状态重建哈密顿量
无序系统与神经网络
2025-09-12 v1 量子物理
摘要
从有限且可实验观测的信息重建量子系统的哈密顿量，既是实际任务，也具有根本意义。我们提出并研究了从固定能量附近的局部密度状态(LDOS)的空间图中重建哈密顿量的逆问题。我们展示了使用监督学习从LDOS高质量恢复哈密顿量。具体而言，我们从一维和二维中的单粒子哈密顿量生成合成数据，训练卷积神经网络，并获得能够以惊人高准确率求解该逆问题的模型。此外，我们能够超越训练分布，开发出对噪声具有强鲁棒性的模型。最后，我们对扫描隧道显微镜的可能实验应用作了评论，提出局部密度状态的图谱可能用于揭示样本未知的能量景观。
引用
@article{arxiv.2509.09604,
title = {Reconstructing the Hamiltonian from the local density of states using neural networks},
author = {Nisarga Paul and Andrew Ma and Kevin P. Nuckolls},
journal= {arXiv preprint arXiv:2509.09604},
year = {2025}
}
备注
5+5 pages