预测长时间激发能量转移动力学的统计与机器学习方法
量子物理
2022-10-28 v2
摘要
用于求解开放量子系统动力学的其中一种方法是层级运动方程（HEOM）。尽管该方法在数值上是精确的，但其求解需要巨大的计算资源。本文的目标是证明诸如 SARIMA、CatBoost、Prophet、卷积神经网络和循环神经网络等模型是否能够绕过这一需求。我们通过首先求解 HEOM 来生成描绘光合系统中激发能量转移耗散动力学的时间序列数据集，然后使用这些数据测试模型在仅给定初始短时动力学时预测长时动力学的能力，从而成功证明了这一点。我们的结果表明，SARIMA 模型可以作为一种计算成本低廉且准确的方法来预测长时动力学。
引用
@article{arxiv.2210.14160,
title = {Statistical and machine learning approaches for prediction of long-time excitation energy transfer dynamics},
author = {Kimara Naicker and Ilya Sinayskiy and Francesco Petruccione},
journal= {arXiv preprint arXiv:2210.14160},
year = {2022}
}