[论文解读] Unsupervised Neural Networks for Quantum Eigenvalue Problems

Henry Jin, Marios Mattheakis+1 more|arXiv (Cornell University)|Oct 10, 2020

Model Reduction and Neural Networks参考文献 9被引用 10

一句话总结

本文提出一种无监督神经网络架构，可同时求解满足精确边界条件的量子微分特征值问题的特征值与特征函数。通过扫描机制与仅依赖预测的基于损失的优化方法，该方法在无限深势阱和谐振子问题上成功识别出多个特征态，波函数误差约为~10⁻³，能量误差约为~10⁻⁴。

ABSTRACT

Eigenvalue problems are critical to several fields of science and engineering. We present a novel unsupervised neural network for discovering eigenfunctions and eigenvalues for differential eigenvalue problems with solutions that identically satisfy the boundary conditions. A scanning mechanism is embedded allowing the method to find an arbitrary number of solutions. The network optimization is data-free and depends solely on the predictions. The unsupervised method is used to solve the quantum infinite well and quantum oscillator eigenvalue problems.

研究动机与目标

• 开发一种无需数据、无监督的神经网络方法，用于求解量子力学中的微分特征值问题。
• 实现在不预先知晓其数量或取值的情况下，同时发现多个特征值与特征函数。
• 通过参数化边界嵌入函数，确保特征函数恒等满足齐次狄利克雷边界条件。
• 提供一种具有物理解释性的损失函数，使训练过程中通过明显的下凹与平台区域揭示特征态的存在。
• 将神经网络求解器扩展至特征值问题，兼具解析解的优势、对维度的鲁棒性以及无误差累积的特性。

提出的方法

• 网络接收空间输入 $x$ 和常数 1，后者输入可学习仿射层以预测特征值 $\lambda$。
• 特征函数构造为 $f(x,\lambda) = f_b + g(x)N(x,\lambda)$，其中 $g(x) = (1 - e^{-(x - x_L)})(1 - e^{-(x - x_R)})$ 用于嵌入边界条件。
• 损失函数 $L = \langle (\mathcal{L}f - \lambda f)^2 \rangle_x + L_{\text{reg}}$ 通过自动微分强制满足微分特征值方程。
• 正则化项 $L_f = 1/f^2$、$L_\lambda = 1/\lambda^2$ 和 $L_{\text{drive}} = e^{-(\lambda - c)}$ 防止平凡解并驱动扫描过程。
• 采用调度式扫描算法随时间逐步增加 $c$，推动网络探索更高特征值并依次发现各特征态。
• 训练使用 Adam 优化器，结合高斯噪声增强、三角函数激活函数，并在 $x \in [x_L, x_R]$ 上进行批量采样。

实验结果

研究问题

• RQ1 无监督神经网络架构是否能够在无标注数据的情况下，发现量子微分特征值问题的多个特征值与特征函数？
• RQ2 如何设计神经网络，使其在同时学习特征函数与特征值的过程中，精确满足边界条件？
• RQ3 训练过程中的损失函数是否可通过明显的下凹与平台区域揭示特征态的存在，从而提供物理解释？
• RQ4 扫描机制在单次训练中能够多大程度上实现任意数量特征态的发现？
• RQ5 与标准量子问题的解析解相比，预测的特征值与特征函数的精度如何？

主要发现

• 该方法成功发现了无限深势阱的前三个特征态，波函数误差在 $10^{-3}$ 量级，能量误差为 $10^{-4}$ 量级。
• 对于量子谐振子，模型实现了约 $10^{-2}$ 的波函数与能量误差，表明其在非平凡势场下的鲁棒性。
• 损失函数在精确特征值处表现出明显的下凹与对应能量平台，使训练动态具有明确的物理解释。
• 扫描机制有效引导网络按顺序定位更高特征值，实现在无需重新训练的情况下发现多个特征态。
• 通过 $g(x)$ 实现的边界条件强制确保了即使在非平凡势场下，特征函数也精确满足 $f(x_L) = f(x_R) = 0$。
• 优化过程完全无数据依赖，仅依赖网络预测与自动微分，证实了该方法的无监督本质。