[論文レビュー] Predicting Quantum Potentials by Deep Neural Network and Metropolis Sampling

Rui Hong, Peng-Fei Zhou+4 more|arXiv (Cornell University)|Jun 6, 2021

Machine Learning in Materials Science参考文献 42被引用数 3

ひとこと要約

本論文では、メトロポリスサンプリングとニューラルネットワークを組み合わせることで、既知の固有状態から逆に量子ポテンシャルを予測する新しい深層学習フレームワーク、メトロポリスポテンシャルニューラルネットワーク（MPNN）を提案する。エネルギー評価を物理的制約付き損失関数に組み込むことで、調和振動子および水素原子のポテンシャルと固有エネルギーの再構築において高い精度と安定性を達成し、第一原理シミュレーションや逆PDE問題への応用に強く期待できる。

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.

研究の動機と目的

• 既知の固有状態からシュレーディンガー方程式のポテンシャルを再構築する、逆量子力学的問題に対する堅牢な手法の開発。
• 損失関数にエネルギー評価を明示的に組み込むことで、ポテンシャル再構築の精度と安定性を向上させること。
• メトロポリスサンプリングを活用し、量子モンテカルロ手法を模倣する効率的なデータ生成とエネルギー評価を実現すること。
• 連続空間におけるポテンシャルの正確な逆予測を可能とし、第一原理シミュレーションや物理学における他のPDE問題に応用可能とすること。

提案手法

• 本手法は、空間座標 r の関数としてポテンシャル Uθ(r) を予測する深層ニューラルネットワークを用いる。
• メトロポリスサンプリングを用いて、訓練データを効率的に生成し、予測されたポテンシャル下での波動関数 Ψ(r) のエネルギーを計算する。
• 物理的制約付き損失関数として L = ∑|∇E(r)|² + [Uθ(r₀) - V(r₀)]² を定義する。ここで E(r) はシュレーディンガー方程式から導かれる空間依存エネルギーである。
• 損失関数にはエネルギーの一貫性が明示的に含まれており、予測されたポテンシャルが正しい固有エネルギーをもたらすことを保証する。
• バックプロパゲーションを用いて、損失関数を最小化するようにネットワークパラメータ θ を最適化する。
• 本手法は、1次元調和振動子および水素原子をベンチマークとして用い、正確な固有状態をターゲットとしている。

実験結果

リサーチクエスチョン

• RQ1 与えられたシュレーディンガー方程式の既知の固有状態 Ψ(r) から、深層ニューラルネットワークがポテンシャル V(r) を正確に再構築できるか？
• RQ2 損失関数に明示的なエネルギー評価を組み込むことで、ポテンシャル予測の精度と安定性がどのように向上するか？
• RQ3 メトロポリスサンプリングは、逆量子問題におけるデータ効率性とエネルギー評価をどの程度向上できるか？
• RQ4 本手法は、単純な解析的ポテンシャルを超えた複雑な量子系に対しても一般化可能か？
• RQ5 MPNNは、QPNNなどの先行手法と比較して、精度と収束性においてどのように異なるか？

主な発見

• MPNNは、調和振動子および水素原子の両方において、予測されたポテンシャルが真のポテンシャルに非常に近い高い精度で再構築することに成功した。
• 本手法は、系の固有エネルギーを正確に回復しており、予測されたポテンシャルがシュレーディンガー方程式を高い忠実度で満たしていることを示している。
• 損失関数にエネルギーを組み込むことで、エネルギー一貫性を明示的に制御しない手法と比較して、著しく安定性と収束性が向上した。
• メトロポリスサンプリングにより、予測されたポテンシャル下での波動関数のエネルギーが効率的かつ正確に評価可能であり、量子モンテカルロの性能を模倣している。
• フレームワークは、第一原理シミュレーションや物理学における逆問題への応用において、頑健さと一般化可能性を示している。
• ベンチマーク結果から、MPNNはポテンシャルおよび対応する固有エネルギーの再構築において、従来の手法を上回ることが確認された。