[논문 리뷰] Physics-Informed Neural Networks for Quantum Eigenvalue Problems

Henry Jin, Marios Mattheakis외 1명|arXiv (Cornell University)|2022. 02. 24.

Model Reduction and Neural Networks인용 수 9

한 줄 요약

이 논문은 직접적으로 고유값과 고유함수를 비지도 학습 방식으로 학습함으로써 양자 고유값 문제를 해결하기 위한 물리 기반 신경망(PINN) 프레임워크를 제안한다. 이 방법은 매개변수 함수를 통해 경계 조건을 정확히 구현하고, 직교성과 정규화를 보장하기 위해 오thro-로스와 노름-로스를 사용하며, 네트워크 아키텍처에 대칭성(짝수/홀수)을 통합하여 유한 퍼텐셜과 수소 원자에 대해 고유값 오차가 1.5% 이하인 고정밀도 해를 달성한다.

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.

연구 동기 및 목표

• 양자역학의 미분 고유값 문제를 해결하기 위한 비지도 딥 러닝 방법을 개발한다.
• 해결책의 구조를 통합한 매개변수 함수를 통해 고유함수 해가 경계 조건을 정확히 만족하도록 보장한다.
• 새로운 물리 기반 손실 함수인 오thro-로스와 노름-로스를 통해 비어 있는 또는 비직교 해를 방지한다.
• 네트워크 아키텍처에 짝수 또는 홀수 대칭성을 통합하여 수렴성과 정확도를 향상시킨다.
• 경계 조건이 0이 아닌 문제, 예를 들어 원통형 수소 원자 방정식에 대한 방법을 확장한다.

제안 방법

• 해의 고유함수에 대해 단일 출력을 갖는 완전 연결 신경망과 고유값에 대해 학습 가능한 스칼라 파rameter를 사용하며, 역전파를 통해 훈련한다.
• 해의 구조를 통합한 매개변수 함수를 통해 경계 조건을 정확히 구현한다.
• 두 가지 물리 기반 손실 함수를 도입한다: 이전에 발견된 고유함수들과의 쌍별 직교성을 촉진하기 위한 오thro-로스, 그리고 정규화를 강제하고 자명한 해를 방지하기 위한 노름-로스.
• 짝수 및 홀수 대칭성을 네트워크 아키텍처에 통합하여 모델이 물리적으로 의미 있는 해로 수렴하도록 유도하며, 수렴성을 향상시킨다.
• 감쇠 지수 손실 항목(e^{-λ + c})에 의해 구동되는 스캐닝 메커니즘이 고유값 공간 탐색을 가능하게 한다.
• 수렴이 유효한 고유함수 해에 도달했는지 자동으로 감지하기 위해 내성 조건을 사용한다.

실험 결과

연구 질문

• RQ1 물리 기반 신경망을 사용하여 양자 미분 고유값 문제의 고유값과 고유함수를 직접적으로 동시에 학습시킬 수 있는가?
• RQ2 라벨이 없는 데이터에서 고유함수의 직교성과 정규화를 어떻게 훈련 중에 보장할 수 있는가?
• RQ3 네트워크 아키텍처에 물리적 대칭성(짝수/홀수)을 통합할 경우 수렴성과 해의 정확도에 얼마나 큰 영향을 미치는가?
• RQ4 경계 조건이 0이 아닌 문제, 예를 들어 원통형 수소 원자 문제와 같은 경우에도 이 방법을 적용할 수 있는가?
• RQ5 표준 양자 시스템인 유한 퍼텐셜과 수소 원자에서 이론적 해와 비교해 볼 때 이 방법의 성능은 어떠한가?

주요 결과

• 모든 테스트 문제에서 고유값 오차가 1.5% 이하로 나타났으며, 수소 원자 기저 상태(n=1, l=0)의 경우 오직 1.46%의 오차를 보였다.
• 수소 원자에 대해 모델은 여러 에너지 준위(n=1에서 4까지)와 각운동량 상태(l=0에서 3까지)의 고유함수와 고유값을 성공적으로 복원했으며, 고유함수 예측의 평균 제곱 오차는 1.0e-2 이하였다.
• 대칭성 통합 아키텍처의 포함이 특히 유한 퍼텐셜과 같은 대칭성 있는 잠재력에서 수렴성을 크게 향상시켰다.
• 오thro-로스 함수는 네트워크가 동일한 고유함수에 여러 번 수렴하는 것을 효과적으로 방지하여 서로 다른 고유상태를 발견하는 데 기여했다.
• 노름-로스 함수는 자명한 해를 방지하고 고유함수의 정규화를 보장하여 확률 분포로서의 해석을 지원했다.
• 경계 조건이 0이 아닌 경우에도, 경계 조건을 정확히 구현하는 수정된 매개변수화 덕분에 원통형 수소 방정식을 해결하는 데 있어 뛰어난 강건성을 보였다.