[論文レビュー] Dynamical symmetry breaking through AI: The dimer self-trapping transition

G. P. Tsironis, Georgios D. Barmparis+1 more|arXiv (Cornell University)|Sep 20, 2021

Advanced Fiber Laser Technologies参考文献 13被引用数 4

ひとこと要約

本稿では、非線形ダイマーにおける自己捕捉遷移——非線形シュレーディンガー方程式に従う動的対称性の破れ現象——を、物理的制約を組み込んだ機械学習（ML）モデルが正確に捉えられることを示している。MLモデルは、初期条件に依存する完全な励起移動から不完全な移動への遷移を、ヤコビの楕円関数および双曲関数による解析的結果と一致させながら再現し、線形および非線形局在化メカニズムを区別している。

ABSTRACT

The nonlinear dimer obtained through the nonlinear Schr{\"o}dinger equation has been a workhorse for the discovery the role nonlinearity plays in strongly interacting systems. While the analysis of the stationary states demonstrates the onset of a symmetry broken state for some degree of nonlinearity, the full dynamics maps the system into an effective $\phi^4$ model. In this latter context, the self-trapping transition is an initial condition dependent transfer of a classical particle over a barrier set by the nonlinear term. This transition has been investigated analytically and mathematically it is expressed through the hyperbolic limit of Jacobian elliptic functions. The aim of the present work is to recapture this transition through the use of methods of Artificial Intelligence (AI). Specifically, we used a physics motivated machine learning model that is shown to be able to capture the original dynamic self-trapping transition and its dependence on initial conditions. Exploitation of this result in the case of the non-degenerate nonlinear dimer gives additional information on the more general dynamics and helps delineate linear from nonlinear localization. This work shows how AI methods may be embedded in physics and provide useful tools for discovery.

研究の動機と目的

• 本研究の目的は、複雑な解析的解法に依存せずに、AIを用いて非線形ダイマーにおける自己捕捉遷移をモデル化することにある。
• 機械学習が、従来の統計的手法では失敗する非線形系における動的相転移を検出できるかどうかを検証することにある。
• 非縮退ダイマーにおける線形局在化（エネルギー不一致によるもの）と非線形局在化（自己捕捉によるもの）を区別することも目的としている。
• MLが自己捕捉遷移の既知の解析的結果、特に対称性の破れの臨界非線形性閾値を回復できるかどうかを調査することにある。
• 最小限のモデルにおいてアンドリュー局在化と離散ブレスラーの共存と競合を調査することも目的としている。

提案手法

• 物理的動機付けに基づく機械学習モデルを、離散非線形シュレーディンガー方程式に従う非線形ダイマーの時間発展データ上で学習させた。
• モデルはバックプロパゲーション最適化を用い、時間経過に伴う波動関数振幅の変化を学習した。
• 訓練データには、自己捕捉遷移の初期条件依存性を捉えるために、さまざまな初期条件を含めた。
• モデルの妥当性は、ヤコビの楕円関数およびその双曲的極限を含む正確な解析的解との比較によって検証された。
• 本手法は画像認識や平衡統計的手法を避けており、動的軌道の時系列回帰に焦点を当てている。
• 非線形性とエネルギー不一致の相互作用を調査するために、非縮退および縮退ダイマーの両方へ適用された。

実験結果

リサーチクエスチョン

• RQ1 解析的知識を明示的に持たないMLモデルは、非線形ダイマーにおける自己捕捉遷移を正確に予測できるか？
• RQ2 MLモデルは、エネルギー不一致による線形局在化と自己捕捉による非線形局在化をどのように区別するか？
• RQ3 MLは、ダイマー系における対称性の破れの臨界非線形性閾値をどの程度回復できるか？
• RQ4 MLモデルは、時間発展における楕円関数的挙動から双曲関数的挙動への遷移を捉えられるか？
• RQ5 非線形性がエネルギー不一致を相殺し、共鳴的移動を回復する「標的エネルギー移動」（TET）条件をMLは検出できるか？

主な発見

• 物理的制約を組み込んだMLモデルは、自己捕捉遷移を成功裏に再現し、臨界非線形性における不完全移動の発生を正確に予測した。
• モデルは、非線形性が増加するに従い、周期的振動（楕円関数的挙動）から局在的で非振動的挙動（双曲関数的挙動）への遷移を正しく同定した。
• 非縮退ダイマーでは、MLモデルがアンドリュー局在化と自己捕捉局在化の領域を区別し、両者の局在化メカニズムが相乗的に作用することを示した。
• 非線形性がエネルギー不一致を相殺し、共鳴的移動を回復するTET条件をモデルが捉え、解析的予測を確認した。
• MLアプローチは、非縮退非線形ダイマーの相図——アンドリュー支配、DB支配、および混合相——を成功裏に特定した。
• 結果は、解析的解が存在しない、あるいは近似解にしか得られない非線形系において、データ駆動型AI手法が複雑な動的遷移を解明できることを示している。