[論文レビュー] Realization of the Trajectory Propagation in the MM-SQC Dynamics by Using Machine Learning

Kunni Lin, Jiawei Peng+3 more|arXiv (Cornell University)|Jul 11, 2022

Quantum, superfluid, helium dynamics被引用数 8

ひとこと要約

本稿では、メイヤー＝ミラー対称的擬古典的（MM-SQC）フレームワーク内での軌道ベース非断熱ダイナミクスを高速かつ正確にシミュレートするために、長短期記憶再帰型ニューラルネットワーク（LSTM-RNN）を提案する。この手法は、多次元励起子-フォノン系において長時間にわたるシミュレーションにおいて高い精度と安定性を達成し、機械学習が高次元量子古典ダイナミクスにおける複雑なダイナミクス補正を捉える能力を示している。

ABSTRACT

The supervised machine learning (ML) approach is applied to realize the trajectory-based nonadiabatic dynamics within the framework of the symmetrical quasi-classical dynamics method based on the Meyer-Miller mapping Hamiltonian (MM-SQC). After the construction of the long short-term memory recurrent neural network (LSTM-RNN) model, it is used to perform the entire trajectory evolutions from initial sampling conditions. The proposed idea is proven to be reliable and accurate in the simulations of the dynamics of several site-exciton electron-phonon coupling models, which cover two-site and three-site systems with biased and unbiased energy levels, as well as include a few or many phonon modes. The LSTM-RNN approach also shows the powerful ability to obtain the accurate and stable results for the long-time evolutions. It indicates that the LSTM-RNN model perfectly captures of dynamical correction information in the trajectory evolution in the MM-SQC dynamics. Our work provides the possibility to employ the ML methods in the simulation of the trajectory-based nonadiabatic dynamic of complex systems with a large number of degrees of freedoms.

研究の動機と目的

• 複雑な量子系における非断熱ダイナミクスの効率的かつ正確なシミュレーションのための機械学習手法の開発。
• 多数の自由度を有する系において、従来の軌道ベース手法の計算コストを克服すること。
• 教師あり学習を用いて、MM-SQCフレームワーク内での長時間にわたる安定した軌道発展を実現すること。
• 異なるエネルギーバイアスとフォノンモードを有する多サイト励起子-フォノンモデルにおける手法の妥当性の検証。
• 深層学習を用いて擬古典的軌道シミュレーションにおけるダイナミクス補正情報を捉える可能性の提示。

提案手法

• 初期サンプリング条件からの軌道時間発展を学習するため、LSTM-RNNを用いた教師あり機械学習フレームワークを構築する。
• LSTM-RNNは、電子的自由度と核的自由度の結合したダイナミクスを学習するために、MM-SQCハミルトニアンから生成された軌道データで訓練される。
• モデルは時間ステップを逐次処理することで全軌道発展を予測し、記憶ゲートを介して時間的依存性を保持する。
• 本手法は、エネルギー準位がバイアスあり・なしの2サイトおよび3サイトの励起子-フォノン系に適用される。
• スケーラビリティと耐障害性を評価するため、少数および多数のフォノンモードを有する系において手法が検証される。
• モデルの予測は、標準的なMM-SQCシミュレーションからの参照解と照合されて検証される。

実験結果

リサーチクエスチョン

• RQ1 LSTM-RNNは、MM-SQCフレームワーク内での非断熱軌道発展を正確にモデル化できるか？
• RQ2 機械学習モデルは、電子-フォノン結合系の長時間シミュレーションにおいてどの程度の性能を示すか？
• RQ3 エネルギーバイアスやフォノンモードの違いがある系においても、本手法は精度と安定性を維持できるか？
• RQ4 LSTM-RNNは、軌道伝搬におけるダイナミクス補正効果を効果的に捉えられるか？
• RQ5 この機械学習手法は、多数の自由度を有する高次元系へどの程度スケーリング可能か？

主な発見

• LSTM-RNNモデルは、エネルギー準位がバイアスあり・なしの2サイトおよび3サイトの励起子-フォノン系において、非断熱ダイナミクスのシミュレーションで高い精度を達成した。
• 本手法は、一部のケースでは従来の数値積分法の範囲外である長時間にわたる安定的かつ正確な軌道伝搬を示した。
• モデルは、ダイナミクス補正情報の軌道発展における捕捉に成功しており、非断熱結合効果の有効な学習を示している。
• 少数および多数のフォノンモードを有する系においても、信頼性が保たれ、系の複雑さに対して耐障害性を示した。
• 結果は、深層学習を用いて複雑な量子古典ダイナミクスにおける軌道ベースシミュレーションを加速・強化することが可能であることを確認した。
• 本手法は、自由度の数が多い系における従来の軌道伝搬の代替手段としてスケーラブルである。