[论文解读] Machine learning for bounce calculation

Ryusuke Jinno|arXiv (Cornell University)|May 30, 2018

Quantum and electron transport phenomena参考文献 1被引用 14

一句话总结

本文提出使用监督式机器学习，特别是前馈神经网络，从标量势能预测量子隧穿过程中的bounce动作，从而避免数值求解完整的bounce方程。该模型在多样化的一维势能数据集上进行训练，预测bounce动作的准确度达到亚百分之一水平，表明机器学习可作为量子场论中隧穿率计算传统数值方法的快速且精确的替代方案。

ABSTRACT

We study the possibility of using machine learning for the calculation of the bounce action in quantum tunneling. Adopting supervised learning, we train neural network to give the bounce action from a given potential. It is found that, for one-dimensional tunneling, even a simple neural network performs at a percent level.

研究动机与目标

• 探索机器学习是否能够加速计算一阶相变中关键量——bounce动作的计算。
• 通过训练神经网络直接从势能映射到bounce动作，绕过计算成本高昂的bounce方程数值求解。
• 评估模型在不同势能形状和参数下的性能与泛化能力。
• 评估在高通量物理应用中使用机器学习作为传统数值方法替代方案的可行性。

提出的方法

• 采用监督学习框架，输入为标量势能，输出为四维欧几里得空间中的对应bounce动作。
• 通过随机采样势能参数（例如局部极大值、极小值及导数极值）并构建C1、C2和C3类型的多项式势能，生成数据集。
• 使用过冲/欠冲法计算bounce动作，这是一种求解具有边界条件的bounce方程的标准数值技术。
• 在数据集上训练全连接前馈神经网络，以学习从势能到bounce动作的映射关系。
• 在未见过的势能上评估模型，包括训练集中未包含的对数势能，以测试其泛化能力。
• 通过训练集和测试集上的损失函数监控训练过程，以检测过拟合并确保收敛。

实验结果

研究问题

• RQ1 机器学习模型是否能在不求解bounce方程的情况下准确预测量子隧穿中的bounce动作？
• RQ2 该模型在训练数据中未包含的势能形状上的泛化能力如何？
• RQ3 对于此物理问题，简单的神经网络可达到何种准确度水平？
• RQ4 当在多样化势能族上训练时，模型是否会避免过拟合？
• RQ5 该模型是否可在高通量物理模拟中作为传统数值方法的可行替代方案？

主要发现

• 神经网络对一维势能的bounce动作预测准确度在真实值的几个百分点以内，部分情形达到亚百分之一误差。
• 该模型对训练过程中未见过的对数势能也表现出良好的泛化能力，在多次测试运行中保持（亚）百分之一水平的准确度。
• 损失函数在第10,000个周期前即实现收敛，且未观察到显著过拟合，表明训练稳定且泛化能力良好。
• 该模型在不同势能族（C1、C2、C3）上表现一致，且在合并不同数据集进行训练时性能未出现显著下降。
• 结果表明，机器学习可作为量子场论中bounce动作计算的快速且精确的替代方案。
• 该方法可实现对广泛参数范围内的bounce动作进行快速评估，这对一阶相变的宇宙学与现象学研究至关重要。