[논문 리뷰] Predicting Quantum Potentials by Deep Neural Network and Metropolis Sampling

Rui Hong, Peng-Fei Zhou외 4명|arXiv (Cornell University)|2021. 06. 06.

Machine Learning in Materials Science참고 문헌 42인용 수 3

한 줄 요약

이 논문은 메트로폴리스 샘플링과 신경망을 조합하여 알려진 고유상태에서 양자 포텐셜을 역으로 예측하는 새로운 딥러닝 프레임워크인 메트로폴리스 포텐셜 신경망(MPNN)을 제안한다. 물리학에 기반한 손실 함수에 에너지 평가를 통합함으로써 MPNN는 조화 진동자와 수소 원자에 대해 포텐셜과 고유 에너지를 높은 정확도와 안정성으로 재구성한다. 이는 초기 상태에서의 시뮬레이션과 역 PDE 문제에 강력한 잠재력을 보여준다.

ABSTRACT

The hybridizations of machine learning and quantum physics have caused essential impacts to the methodology in both fields. Inspired by quantum potential neural network, we here propose to solve the potential in the Schrodinger equation provided the eigenstate, by combining Metropolis sampling with deep neural network, which we dub as Metropolis potential neural network (MPNN). A loss function is proposed to explicitly involve the energy in the optimization for its accurate evaluation. Benchmarking on the harmonic oscillator and hydrogen atom, MPNN shows excellent accuracy and stability on predicting not just the potential to satisfy the Schrodinger equation, but also the eigen-energy. Our proposal could be potentially applied to the ab-initio simulations, and to inversely solving other partial differential equations in physics and beyond.

연구 동기 및 목표

• 모르는 슈뢰딩거 방정식의 포텐셜을 알려진 고유상태에서 재구성하는 데 유용한 강력한 방법을 개발하는 것.
• 손실 함수에 에너지 평가를 명시적으로 통합하여 포텐셜 재구성의 정확도와 안정성을 향상시키는 것.
• 메트로폴리스 샘플링을 활용해 효율적인 데이터 생성과 에너지 평가를 수행함으로써 양자 몬테카를로 기법을 모방하는 것.
• 연속된 공간에서 정확한 역예측을 가능하게 하여 초기 상태에서의 시뮬레이션과 물리학의 다른 PDE 문제에 적용 가능한 것.

제안 방법

• 이 방법은 깊이 있는 신경망을 사용하여 공간 좌표 r에 대한 포텐셜 Uθ(r)를 함수로 예측한다.
• 메트로폴리스 샘플링을 활용해 효율적인 훈련 데이터를 생성하고, 예측된 포텐셜 하에서 파동함수 Ψ(r)의 에너지를 계산한다.
• 물리학에 기반한 손실 함수는 L = ∑|∇E(r)|² + [Uθ(r₀) - V(r₀)]²로 정의되며, 여기서 E(r)는 슈뢰딩거 방정식에서 유도된 공간에 따라 변하는 에너지이다.
• 손실 함수는 에너지 일관성을 명시적으로 포함하여 예측된 포텐셜이 올바른 고유 에너지를 제공하도록 보장한다.
• 역전파를 사용하여 손실 함수를 최소화함으로써 네트워크 파라미터 θ를 최적화한다.
• 이 방법은 정확한 고유상태를 목표로 하여 1차원 조화 진동자와 수소 원자에서 벤치마킹된다.

실험 결과

연구 질문

• RQ1 주어진 슈뢰딩거 방정식의 알려진 고유상태 Ψ(r)로부터 포텐셜 V(r)를 깊이 있는 신경망이 정확하게 재구성할 수 있는가?
• RQ2 손실 함수에 명시적인 에너지 평가를 통합할 경우 포텐셜 예측의 정확도와 안정성이 어떻게 향상되는가?
• RQ3 메트로폴리스 샘플링이 역 양자 문제에서 데이터 효율성과 에너지 평가에 얼마나 기여하는가?
• RQ4 이 방법은 단순한 해석적 포텐셜을 넘어서 복잡한 양자 시스템으로 일반화될 수 있는가?
• RQ5 정확도와 수렴성 측면에서 기존 방법인 QPNN에 비해 MPNN는 어떻게 비교되는가?

주요 결과

• MPNN는 조화 진동자와 수소 원자에 대해 높은 정확도로 포텐셜을 재구성하여 예측된 포텐셜이 진짜 포텐셜과 매우 가까이 일치한다.
• 이 방법은 시스템의 고유 에너지를 정확히 복원하여 예측된 포텐셜이 높은 정밀도로 슈뢰딩거 방정식을 만족함을 보여준다.
• 손실 함수에 에너지를 포함시킴으로써 에너지 일관성을 명시적으로 강제하지 않는 방법에 비해 안정성과 수렴성이 크게 향상된다.
• 메트로폴리스 샘플링은 예측된 포텐셜 하에서 파동함수의 에너지를 효율적이고 정확하게 평가할 수 있게 하여 양자 몬테카를로 성능을 모방한다.
• 이 프레임워크는 初기 상태에서의 시뮬레이션과 물리학의 역 문제에 대해 강건성과 일반화 잠재력을 보여준다.
• 벤치마킹 결과는 MPNN가 포텐셜과 그에 해당하는 고유 에너지를 재구성하는 데 이전의 접근 방식을 뛰어넘는 것으로 확인되었다.