变换器学习多体系统中混沌集体动力学

学习混沌多体动力学的简化描述具有根本性挑战：尽管微观方程为马尔可夫型，但集体可观测量表现出强烈的记忆效应和对初始条件和预测误差的指数级灵敏性。我们展示了基于自注意力的变换器框架提供了有效的方法，用于直接从时间序列数据建模此类混沌集体动力学。通过对长程时序相关性进行选择性重加权，变换器学习了一个非马尔可夫的简化描述，克服了常规递归体系结构的固有局限性。作为具体演示，我们研究了一维半经典 Holstein 模型，其中相互作用快速引起电荷密度波序参量的强非线性和混沌动力学。尽管点预测在长时间内必然发散，变换器忠实地再现了混沌的统计“气候”，包括时序相关性和特征衰减尺度。我们的结果确立了自注意力作为学习混沌多体系统中有效简化动力学的强大机制。