[論文レビュー] Unsupervised Neural Networks for Quantum Eigenvalue Problems

Henry Jin, Marios Mattheakis+1 more|arXiv (Cornell University)|Oct 10, 2020

Model Reduction and Neural Networks参考文献 9被引用数 10

ひとこと要約

本稿では、境界条件を正確に満たす同時固有値・固有関数の発見を可能にする教師なしニューラルネットワークアーキテクチャを提案する。スキャン機構と予測のみに依存する損失ベース最適化を用い、無限井戸と調和振動子の両例で複数の固有状態を同定した。波動関数の誤差は約10⁻³、エネルギーの誤差は約10⁻⁴であった。

ABSTRACT

Eigenvalue problems are critical to several fields of science and engineering. We present a novel unsupervised neural network for discovering eigenfunctions and eigenvalues for differential eigenvalue problems with solutions that identically satisfy the boundary conditions. A scanning mechanism is embedded allowing the method to find an arbitrary number of solutions. The network optimization is data-free and depends solely on the predictions. The unsupervised method is used to solve the quantum infinite well and quantum oscillator eigenvalue 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データフリーで教師なしのニューラルネットワーク手法の開発。
• 事前に固有値や固有関数の数や値を知らずに、複数の固有値と固有関数を同時に発見可能にする。
• パラメトリック境界埋め込み関数を用いて、固有関数が同次ディリクレ境界条件を正確に満たすように保証する。
• 訓練中に明確な谷と平坦部を示す物理的解釈可能な損失関数を提供し、固有状態の存在を明らかにする。
• 解析的解の利点、次元数へのロバストネス、誤差蓄積なしの利点を備えたニューラルネットワークソルバーを固有値問題に拡張する。

提案手法

• ネットワークは空間入力$x$と定数1を受け取り、後者を学習可能なアフィン層に供給し、固有値$\lambda$を予測する。
• 固有関数は$f(x,\lambda) = f_b + g(x)N(x,\lambda)$として構築され、$g(x) = (1 - e^{-(x - x_L)})(1 - e^{-(x - x_R)})$は境界条件を埋め込む。
• 損失関数$L = \langle (\mathcal{L}f - \lambda f)^2 \rangle_x + L_{\text{reg}}$は、自動微分を用いて微分固有値方程式を強制する。
• 正則化項として$L_f = 1/f^2$、$L_\lambda = 1/\lambda^2$、$L_{\text{drive}} = e^{-(\lambda - c)}$を設け、自明な解の回避とスキャンの駆動を実現する。
• スケジュールされたスキャンアルゴリズムにより、$c$を時間とともに増加させ、ネットワークが高次の固有値を探索し、連続した状態を発見するように誘導する。
• 訓練にはAdam最適化子を用い、ガウスノイズ増強、三角関数活性化関数、$x \in [x_L, x_R]$におけるバッチサンプリングを実施する。

実験結果

リサーチクエスチョン

• RQ1 教師ありデータなしで、教師なしニューラルネットワークアーキテクチャが量子微分固有値問題の複数の固有値と固有関数を発見可能か？
• RQ2 ニューラルネットワークは、固有関数と固有値を同時に学習しながら、境界条件を正確に満たすように設計可能か？
• RQ3 訓練中の損失関数が、明確な谷と平坦部を示すことで、固有状態の存在を物理的洞察として明らかにできるか？
• RQ4 スキャン機構は、一度の訓練で任意の数の固有状態を発見可能か？
• RQ5 標準的な量子問題の解析解と比較して、予測された固有値と固有関数の精度はどの程度か？

主な発見

• 無限井戸の最初の3つの固有状態を正常に発見し、波動関数誤差は10⁻³オーダー、エネルギー誤差は10⁻⁴オーダーであった。
• 調和振動子では、波動関数とエネルギー誤差が約10⁻²であった。非自明なポテンシャルに対してもロバストであることが示された。
• 損失関数は、正確な固有値に対応する明確な谷とエネルギーの平坦部を示し、訓練のダイナミクスの物理的解釈を可能にした。
• スキャン機構により、再訓練なしに順次高次の固有値を探索し、複数の状態を発見することができた。
• g(x)による境界条件の強制により、非自明なポテンシャルに対しても、固有関数が$f(x_L) = f(x_R) = 0$を正確に満たすことが保証された。
• 最適化は完全にデータフリーであり、ネットワークの予測と自動微分のみに依存しており、アプローチの教師なし性が確認された。