[논문 리뷰] Realization of the Trajectory Propagation in the MM-SQC Dynamics by Using Machine Learning

Kunni Lin, Jiawei Peng외 3명|arXiv (Cornell University)|2022. 07. 11.

Quantum, superfluid, helium dynamics인용 수 8

한 줄 요약

이 논문은 메이어-마일러 대칭 양자역학적 고전적(Meyer-Miller symmetrical quasi-classical, MM-SQC) 프레임워크 내에서 궤적 기반 비단단성 동역학을 가속화하고 정확하게 시뮬레이션하기 위해 장단기 기억 순환 신경망(LSTM-RNN)을 제안한다. 이 방법은 다중사이트 엑시톤-포논 시스템에서 장시간 진화에 걸쳐 높은 정확도와 안정성을 확보하며, 고차원 양자-고전적 동역학에서 복잡한 동역학 보정을 포착할 수 있음을 보여주며, 머신러닝의 잠재력을 입증한다.

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.

연구 동기 및 목표

• 복잡한 양자 시스템에서 비단단성 동역학을 효율적이고 정확하게 시뮬레이션하기 위한 기계학습 접근법을 개발하기 위해.
• 다수의 자유도를 가진 시스템에서 전통적인 궤적 기반 방법의 계산 비용 문제를 해결하기 위해.
• 감독 학습을 이용해 MM-SQC 프레임워크에서 장시간이고 안정적인 궤적 진화를 가능하게 하기 위해.
• 다양한 에너지 편향과 포논 모드를 가진 다중사이트 엑시톤-포논 모델에서 방법을 검증하기 위해.
• 딥 러닝을 활용해 고전적 궤적 시뮬레이션에서 동역학 보정 정보를 포착할 수 있는 가능성을 입증하기 위해.

제안 방법

• 초기 샘플링 조건에서 궤적의 시간 진화를 학습하기 위해 LSTM-RNN을 사용한 감독 기반 기계학습 프레임워크를 구축한다.
• LSTM-RNN은 MM-SQC 해밀토니안에서 생성된 궤적 데이터를 기반으로 학습하며, 전자 및 핵 자유도의 결합된 동역학을 학습한다.
• 모델은 순차적인 시간 단계를 처리함으로써 메모리 게이트를 통해 시간적 의존성을 유지하면서 전체 궤적 진화를 예측한다.
• 이 방법은 에너지 수준이 편향되거나 편향되지 않은 이중 및 삼중사이트 엑시톤-포논 시스템에 적용된다.
• 모델의 확장성과 강건성을 평가하기 위해 소수의 포논 모드와 다수의 포논 모드를 가진 시스템에서 시험된다.
• 모델의 예측 결과는 표준 MM-SQC 시뮬레이션에서의 기준 솔루션과 비교하여 검증된다.

실험 결과

연구 질문

• RQ1 LSTM-RNN은 MM-SQC 프레임워크 내에서 비단단성 궤적 진화를 정확하게 모델링할 수 있는가?
• RQ2 머신러닝 모델은 전자-포논 결합 시스템의 장시간 시뮬레이션에서 얼마나 잘 성능을 발휘하는가?
• RQ3 에너지 편향과 포논 모드가 다양한 시스템에서 정확도와 안정성을 유지할 수 있는가?
• RQ4 LSTM-RNN은 궤적 전파 과정에서 동역학 보정 효과를 효과적으로 포착할 수 있는가?
• RQ5 이 기계학습 접근법은 다수의 자유도를 가진 고차원 시스템으로 얼마나 잘 확장될 수 있는가?

주요 결과

• LSTM-RNN 모델은 편향되거나 편향되지 않은 에너지 수준을 가진 이중 및 삼중사이트 엑시톤-포논 시스템에서 비단단성 동역학을 시뮬레이션하는 데 높은 정확도를 달성한다.
• 모델은 일부 경우에서 기존 수치적 통합의 한계를 초월하여 장시간에 걸친 안정적이고 정확한 궤적 전파를 보여준다.
• 모델은 궤적 진화 과정에서 동역학 보정 정보를 성공적으로 포착하며, 비단단성 결합 효과를 효과적으로 학습한 것으로 나타난다.
• 소수의 포논 모드와 다수의 포논 모드를 가진 시스템에서 모두 신뢰성 있는 성능을 유지하며, 시스템 복잡성에 대해 강건함을 보인다.
• 복잡한 양자-고전적 동역학에서 궤적 기반 시뮬레이션을 가속화하고 향상시키기 위해 딥 러닝을 활용할 수 있음을 확인한다.
• 이 방법은 자유도 수가 많은 시스템에 대한 기존 궤적 전파 방식에 대한 확장 가능한 대안을 제공한다.