[논문 리뷰] Spacetime Neural Network for High Dimensional Quantum Dynamics

Wang. Jiangran, Zhuo Chen외 4명|arXiv (Cornell University)|2021. 08. 04.

Model Reduction and Neural Networks참고 문헌 16인용 수 7

한 줄 요약

이 논문은 슈뢰딩거 방정식에 의해 지배되는 고차원 양자역학적 동역학을 해결하기 위해 이阶 최적화를 갖춘 시공간 신경망을 제안한다. 음의 중간점 방법을 통해 공간 및 시간 파동함수 표현을 동시에 최적화함으로써, 모든 시간 단계에서 정확하고 자가정규화된 해를 달성하며, 12스핀 헤이젠베르크 모형에서 거의 정확한 오버랩과 에너지 일치를 보여준다.

ABSTRACT

We develop a spacetime neural network method with second order optimization for solving quantum dynamics from the high dimensional Schrödinger equation. In contrast to the standard iterative first order optimization and the time-dependent variational principle, our approach utilizes the implicit mid-point method and generates the solution for all spatial and temporal values simultaneously after optimization. We demonstrate the method in the Schrödinger equation with a self-normalized autoregressive spacetime neural network construction. Future explorations for solving different high dimensional differential equations are discussed.

연구 동기 및 목표

• 시스템 크기 증가에 따라 성능이 급격히 떨어지는 전통적 방법의 한계를 극복하여 고차원 슈뢰딩거 방정식을 해결하는 데 도전한다.
• 반복적인 일阶 최적화의 한계를 극복하기 위해 모든 공간-시간 점에서 동시에 최적화를 가능하게 한다.
• 공간-시간 매개변수화를 통해 경로 적분 표현을 암묵적으로 코딩하는 신경망 아키텍처를 개발한다.
• 허구적 시간 진화를 사용하여 12스핀 헤이젠베르크 모형에서 이 방법의 효과성을 입증한다.
• 실시간 동역학 및 기타 고차원 미분방정식에 적용 가능한 일반적인 프레임워크를 수립한다.

제안 방법

• 시공간 신경망은 외부 공간 네트워크의 가중치를 시간에 따라 변화시키는 내부 시간 네트워크를 사용하여, 파동함수 ψ(x,t)의 자동재귀적 모델링을 가능하게 한다.
• 정확한 샘플링과 각 시간 단계에서의 정규화를 보장하기 위해 자가정규화된 자동재귀적 트랜스포머 아키텍처를 사용한다.
• 이차 최적화는 안정성과 정확도를 향상시키기 위해 음의 중간점 방법을 사용하여 일阶 오일러 방법보다 우수하다.
• 손실 함수는 모든 시간 단계에서 동시에 계산되어 전체 공간-시간 파동함수의 동시 학습이 가능하다.
• 시간 순서로 된 진화를 모든 구성에 암묵적으로 코딩함으로써, 이 방법은 양자역학의 경로 적분 표현과 암묵적으로 연결된다.
• 학습은 시간 간격 Δt = 0.01, 총 시간 T = 2로 150단계 동안 Adam 최적화기로 수행된다.

실험 결과

연구 질문

• RQ1 고차원 양자 시스템에서 공간-시간 모든 차원에서 파동함수를 동시에 최적화할 수 있는 단일 신경망 아키텍처가 가능한가?
• RQ2 이차 음의 시간 적분은 일차 반복 방법에 비해 양자역학적 동역학에서 정확도와 안정성에 어떻게 기여하는가?
• RQ3 자기정규화된 자동재귀적 아키텍처를 갖춘 시공간 신경망은 고차원 구성 공간에서 정확한 샘플링과 자가정규화를 어느 정도 달성할 수 있는가?
• RQ4 이 방법은 12스핀 헤이젠베르크 모형과 같은 복잡한 양자 시스템에서 정확한 해에 대해 높은 정밀도를 유지할 수 있는가?
• RQ5 이 접근법은 실시간 동역학 및 기타 고차원 미분방정식으로 일반화할 잠재력이 있는가?

주요 결과

• 12스핀 헤이젠베르크 모형에서 T = 2일 때, 시공간 신경망은 정확한 해와 약 0.98의 높은 절대 오버랩을 달성하여 파동함수 재구성의 강력한 유사도를 보였다.
• 예측된 에너지 값은 모든 시간 단계에서 정확한 에너지와 매우 유사했으며, 진화 기간 내내 1% 이내의 편차를 보였다.
• 이차 음의 통합을 사용한 학습은 안정적이며 수렴했으며, 일차 방법에서 흔히 발생하는 불안정성 문제를 피했다.
• 자기정규화된 자동재귀적 아키텍처는 추가 정규화 단계 없이도 각 시간 단계에서 파동함수의 정확한 샘플링을 가능하게 했다.
• 공간과 시간에 대한 동시 최적화는 경로 적분을 암묵적으로 코딩하는 해를 생성하여, 그린 함수와 같은 시간 상관 관측량 계산을 가능하게 했다.
• 이 방법은 허구적 시간 동역학을 넘어서 실시간 진화 및 힐버트-자코비 또는 블랙-숄즈 방정식과 같은 기타 고차원 미분방정식에 적용 가능한 일반화 가능성을 보였다.