用于模拟量子-经典系统非绝热动力学的循环卷积神经网络
量子物理
2026-01-21 v3 计算物理
摘要
循环神经网络（RNN）近期已广泛应用于流体动力学、天气预报乃至混沌系统建模，凭借其捕捉时序依赖性和数据序列模式的能力。我们提出一种基于卷积神经网络的 RNN 模型，用于模拟混合量子-经典系统的非线性非绝热动力学。混合系统的动力学演化由经典自由度的运动方程和电子的 von Neumann 方程共同决定。我们构建的物理感知循环卷积（PARC）神经网络结构包含一个差分-积分器架构，归纳性地建模了通用物理系统的时空动力学。我们将 RNN 方法应用于学习色散平滞后情形下，一维半经典 Holstein 模型的时空演化。对于浅层滞后（即电子-晶格耦合变化较小），确定性动力学可通过单一的 CNN 循环网络准确捕获。相比之下，深层滞后会诱导出混沌演化，使得长期轨迹预测显得更加具有挑战性。尽管如此，我们仍证明 PARC-CNN 架构能够有效学习 Holstein 模型在深层滞后条件下的统计气候。
引用
@article{arxiv.2412.06631,
title = {Recurrent convolutional neural networks for modeling non-adiabatic dynamics of quantum-classical systems},
author = {Alex P. Ning and Lingyu Yang and Gia-Wei Chern},
journal= {arXiv preprint arXiv:2412.06631},
year = {2026}
}
备注
17 pages, 10 figures