利用图神经网络学习里德伯原子的自组织临界性
原子物理
2022-07-20 v1 机器学习
摘要
自组织临界性（SOC）是一种普遍存在的动力学现象，被认为在许多看似无关的系统（如森林火灾、病毒传播或原子激发动力学）中导致了普适标度不变行为的涌现。SOC 描述了仅由局域相互作用和耗散所产生的大尺度、长程时空关联的构建。SOC 动力学的模拟通常基于蒙特卡洛（MC）方法，然而这些方法数值代价高昂，且无法扩展到特定系统尺寸之外。我们研究使用图神经网络（GNNs）作为一种有效的替代模型，来学习一个典型 SOC 系统的动力学算符，其灵感来自一个实验上可实现的物理例子：驱动里德伯原子。为此，我们推广现有的 GNN 模拟方法，以预测节点内部状态的动力学。我们表明，我们可以准确复现 MC 动力学，并沿粒子数和粒子密度这两个重要轴进行泛化。这为建模远超传统 MC 方法极限的更大系统铺平了道路。虽然具体系统受里德伯原子动力学的启发，但该方法具有相当的一般性，可轻易应用于其他系统。
引用
@article{arxiv.2207.08927,
title = {Towards Learning Self-Organized Criticality of Rydberg Atoms using Graph Neural Networks},
author = {Simon Ohler and Daniel Brady and Winfried Lötzsch and Michael Fleischhauer and Johannes S. Otterbach},
journal= {arXiv preprint arXiv:2207.08927},
year = {2022}
}