基于混合网络深度学习重访双势阱中玻色-爱因斯坦凝聚体的动力学
计算物理
2021-11-02 v2 机器学习
量子物理
摘要
深度学习依托精心设计的神经网络，近来已发展为解决物理及其他科学中各类问题的高效有力工具。本工作中，我们提出一种基于混合网络的新学习方法，该网络集成了两种不同神经网络：长短期记忆网络（LSTM）与深度残差网络（ResNet），以克服物理系统强振荡动力学演化数值模拟中所遇的困难。以双势阱中玻色-爱因斯坦凝聚体的动力学为例，我们展示了新方法对整个动力学实现了高效预学习和高保真预测。这得益于LSTM与ResNet结合的优势，且在直接学习情形下单一网络无法达成。借助辅助谱分析，我们的方法可应用于具有快速多频振荡的系统中复杂协同动力学的模拟。
引用
@article{arxiv.2104.14657,
title = {Revisiting the dynamics of Bose-Einstein condensates in a double well by deep learning with a hybrid network},
author = {Shurui Li and Jianqin Xu and Jing Qian and Weiping Zhang},
journal= {arXiv preprint arXiv:2104.14657},
year = {2021}
}
备注
11 pages, 8 figures