基于耦合时空关联的量子波包动力学无监督学习方法
材料科学
2024-04-19 v1
摘要
理解现实材料中复杂量子动力学的关键在于洞察主导参与粒子相互作用的底层相关性。鉴于这些过程中涉及的海量信息，应用人工智能方法具有诱切性。然而，无监督的数据驱动方法通常关注单个成分的最大变化，而不考虑它们之间的相关性。本文提出一种识别相关性模式以探索复杂动力学过程的方法。我们的方案采用奇异值分解（SVD）提取动力学特征，揭示产生动力学机制的内部时空相互关系。我们将其应用于研究有机晶体中由光激发的波包传播，这对于基于材料的量子计算和量子信息科学具有应用潜力。我们展示了从输入动量和时间坐标转换到新的相关性诱导坐标空间后，如何直接识别主导动力学过程的缓和和去相位分量，并展示其对初始脉冲形状的依赖性。建议动力学特征的纠缠是复现这些机制进一步可解释性所需信息的途径。本方法为在多组分系统中使用无监督AI分析揭示复杂动力学过程提供了一条途径。
引用
@article{arxiv.2404.11980,
title = {Unsupervised learning approach to quantum wavepacket dynamics from coupled temporal-spatial correlations},
author = {Adva Baratz and Galit Cohen and Sivan Refaely-Abramson},
journal= {arXiv preprint arXiv:2404.11980},
year = {2024}
}