[논문 리뷰] Dynamical symmetry breaking through AI: The dimer self-trapping transition

G. P. Tsironis, Georgios D. Barmparis외 1명|arXiv (Cornell University)|2021. 09. 20.

Advanced Fiber Laser Technologies참고 문헌 13인용 수 4

한 줄 요약

이 논문은 비선형 다이머에서의 자기 트랩핑 전이를 정확히 포착할 수 있는 물리 기반 기계학습(ML) 모델이 존재함을 보여준다. 이는 비선형 슈뢰딩거 방정식에 의해 지배되는 자기 트랩핑 전이—비대칭성 깨짐 현상—을 다루며, 초기 조건에 따라 완전한 전이에서 불완전한 전이로의 전이를 성공적으로 재현한다. 분석 결과와 일치하는 잭비안 타원함수 및 쌍곡함수의 근사해를 기반으로 하며, 선형과 비선형 국소화 메커니즘을 구분한다.

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.

연구 동기 및 목표

• . 이 연구는 복잡한 해석적 해법에 의존하지 않고 AI를 활용하여 비선형 다이머의 자기 트랩핑 전이를 모델링하는 것을 목적으로 한다.
• . 기존 통계적 방법이 실패하는 비선형 시스템에서 기계학습이 역학적 상전이를 탐지할 수 있는지 여부를 규명하고자 한다.
• . 비퇴화 다이머에서 에너지 불일치로 인한 선형 국소화와 자기 트랩핑으로 인한 비선형 국소화를 구분하는 것을 목표로 한다.
• . ML이 자기 트랩핑 전이에 대한 기존 해석적 결과, 특히 임계 비선형성 임계값을 회복할 수 있는지 조사한다.
• . 최소한의 모델에서 앤더슨 국소화와 이산 브리더의 공존 및 경쟁을 탐색한다.

제안 방법

• . 비선형 다이머의 동역학을 지배하는 이산 비선형 슈뢰딩거 방정식에 따라 생성된 시계열 데이터를 기반으로 물리적 동기를 가진 기계학습 모델을 훈련시킨다.
• . 모델은 시스템의 파동함수 진폭의 시간에 따른 진화를 학습하기 위해 역전파 최적화를 사용한다.
• . 자기 트랩핑 전이의 초기 조건 의존성 특성을 포괄하기 위해 다양한 초기 조건을 포함한 훈련 데이터를 사용한다.
• . 모델의 예측 결과는 잭비안 타원함수 및 그 쌍곡함수 근사해를 포함한 정확한 해석적 해와 비교하여 검증된다.
• . 영상 인식이나 평형 통계 방법을 피하고, 동역학 궤적의 시계열 회귀에 중점을 두어 접근한다.
• . 비선형성과 에너지 불일치의 상호작용을 연구하기 위해 퇴화 및 비퇴화 다이머 모두에 적용된다.

실험 결과

연구 질문

• RQ1 . 기계학습 모델이 시스템에 대한 명시적 해석적 지식 없이도 비선형 다이머에서 자기 트랩핑 전이를 정확히 예측할 수 있는가?
• RQ2 . ML 모델은 에너지 불일치로 인한 선형 국소화와 자기 트랩핑으로 인한 비선형 국소화를 어떻게 구분하는가?
• RQ3 . ML이 비선형 다이머 시스템에서 대칭성 깨짐을 위한 임계 비선형성 임계값을 어느 정도까지 복원할 수 있는가?
• RQ4 . ML 모델은 동역학적 진동에서 타원함수 행동에서 쌍곡함수 행동으로의 전이를 포착하는가?
• RQ5 . 비선형성이 에너지 불일치를 상쇄시켜 공진 전이를 복원하는 타겟 에너지 전이(TET) 조건을 ML이 탐지할 수 있는가?

주요 결과

• . 물리 기반 기계학습 모델은 자기 트랩핑 전이를 성공적으로 재현하여 임계 비선형성에서 불완전한 전이의 시작을 정확히 예측한다.
• . 비선형성이 증가함에 따라 주기적 진동(타원함수)에서 국소화되고 진동하지 않는 행동(쌍곡함수)으로의 전이를 정확히 식별한다.
• . 비퇴화 다이머의 경우, ML 모델은 앤더슨 국소화 영역과 자기 트랩핑 영역을 구분하며, 두 국소화 메커니즘이 상호보완적으로 작용함을 보여준다.
• . 비선형성이 에너지 불일치를 상쇄시켜 공진 전이를 복원하는 TET 조건을 모델이 포착하여 해석적 예측를 확인한다.
• . ML 접근법은 앤더슨 주도, DB 주도, 혼합 상을 포함한 비퇴화 비선형 다이머의 상도를 성공적으로 식별한다.
• . 데이터 기반 AI 방법이 해석적 해가 존재하지 않거나 근사적일 경우에도 비선형 시스템 내 복잡한 동역학적 전이를 밝혀낼 수 있음을 입증한다.