[論文レビュー] Physics-Informed Neural Networks for Quantum Eigenvalue Problems

Henry Jin, Marios Mattheakis+1 more|arXiv (Cornell University)|Feb 24, 2022

Model Reduction and Neural Networks被引用数 9

ひとこと要約

本論文は、境界条件を正確に満たすパラメトリック関数を用いて、量子固有値問題を直接的に、教師なしで固有値と固有関数を学習するための物理情報付きニューラルネットワーク（PINN）フレームワークを提案する。この手法は、直交性と正規化を保証するためのortho-lossおよびnorm-lossを用い、ネットワークアーキテクチャに対称性（偶関数／奇関数）を埋め込み、有限井戸と水素原子に対して1.5%未塔の固有値誤差を達成する高精度な解を得た。

ABSTRACT

Eigenvalue problems are critical to several fields of science and engineering. We expand on the method of using unsupervised neural networks for discovering eigenfunctions and eigenvalues for differential eigenvalue problems. The obtained solutions are given in an analytical and differentiable form that identically satisfies the desired boundary conditions. The network optimization is data-free and depends solely on the predictions of the neural network. We introduce two physics-informed loss functions. The first, called ortho-loss, motivates the network to discover pair-wise orthogonal eigenfunctions. The second loss term, called norm-loss, requests the discovery of normalized eigenfunctions and is used to avoid trivial solutions. We find that embedding even or odd symmetries to the neural network architecture further improves the convergence for relevant problems. Lastly, a patience condition can be used to automatically recognize eigenfunction solutions. This proposed unsupervised learning method is used to solve the finite well, multiple finite wells, and hydrogen atom eigenvalue quantum problems.

研究の動機と目的

• 量子力学における微分固有値問題を解くための教師なしディープラーニング手法を開発すること。
• パラメトリック関数を用いて、固有関数の解が境界条件を恒等的に満たすようにすること。
• 新規な物理情報付き損失関数（ortho-lossおよびnorm-loss）を導入し、自明な解や非直交解を防ぐこと。
• 偶関数または奇関数の対称性をネットワークアーキテクチャに直接埋め込むことで、収束性と精度を向上させること。
• 境界条件がゼロでない問題、たとえば径方向水素原子方程式にまでこの手法を拡張すること。

提案手法

• 固有関数の出力を1つ持つ全結合ニューラルネットワークと、トレーニング可能なスカラーパrameterとしての固有値を用い、バックプロパゲーションにより学習する。
• 解の構造を組み込んだパラメトリック関数を用いて、境界条件を正確に満たす。
• 2つの物理情報付き損失関数を導入する：直交性を促進するためのortho-loss（事前に得られた固有関数とのペアワイズ直交性を促進）、および正規化を強制し自明な解を避けるためのnorm-loss。
• 偶関数・奇関数の対称性をネットワークアーキテクチャに埋め込むことで、物理的に意味のある解への収束を促進し、学習の収束性を向上させる。
• 減衰する指数関数的損失項（e^{-λ + c}）によって駆動されるスキャン機構により、固有値空間の探索が可能になる。
• 収束の自動検出を可能にするために、忍耐条件（patience condition）を用いる。

実験結果

リサーチクエスチョン

• RQ1 物理情報付きニューラルネットワークを用いて、量子微分固有値問題の固有値と固有関数を直接的かつ同時に学習できるか？
• RQ2 教師データなしで、固有関数の直交性と正規化をどのように学習中に保証できるか？
• RQ3 ネットワークアーキテクチャに物理的対称性（偶関数／奇関数）を埋め込むことで、収束性と解の精度はどの程度向上するか？
• RQ4 境界条件がゼロでない問題、たとえば径方向水素原子問題に対してもこの手法は対応可能か？
• RQ5 有限井戸や水素原子といった標準的な量子系に対して、解析解と比較して本手法の性能はどの程度か？

主な発見

• 全テスト問題において固有値誤差が1.5%未塔に抑えられ、水素原子の基底状態（n=1, l=0）ではわずか1.46%の誤差を示した。
• 水素原子に対して、複数のエネルギー準位（n=1～4）と角運動量状態（l=0～3）の固有関数と固有値を正常に回復した。固有関数予測の平均二乗誤差は1.0e-2未塔であった。
• 対称性を埋め込んだアーキテクチャの導入により、特に有限井戸のような対称ポテンシャルにおいて、学習収束性が顕著に向上した。
• ortho-loss関数は、ネットワークが複数回同じ固有関数に収束するのを効果的に防ぎ、異なる固有状態の発見を可能にした。
• norm-loss関数は自明な解を効果的に回避し、固有関数が正規化されることを保証した。これにより、確率分布としての解釈が可能になった。
• 境界条件がゼロでない径方向水素原子方程式に対しても、境界条件を正確に満たすように変更されたパラメトリック化により、本手法は頑健に解を求めることが可能であった。