[论文解读] Physics-Informed Neural Networks for Quantum Eigenvalue Problems

Henry Jin, Marios Mattheakis+1 more|arXiv (Cornell University)|Feb 24, 2022

Model Reduction and Neural Networks被引用 9

一句话总结

本文提出一种物理信息神经网络（PINN）框架，通过无监督方式直接学习量子本征值问题的本征值与本征态。该方法通过参数化函数精确满足边界条件，利用正交损失（ortho-loss）与归一化损失（norm-loss）确保解的正交性与归一化，并将对称性（偶/奇）嵌入网络架构中，实现了对有限势阱与氢原子问题的高精度求解，本征值误差低于1.5%。

ABSTRACT

Eigenvalue problems are critical to several fields of science and engineering. We expand on the method of using unsupervised neural networks for discovering eigenfunctions and eigenvalues for differential eigenvalue problems. The obtained solutions are given in an analytical and differentiable form that identically satisfies the desired boundary conditions. The network optimization is data-free and depends solely on the predictions of the neural network. We introduce two physics-informed loss functions. The first, called ortho-loss, motivates the network to discover pair-wise orthogonal eigenfunctions. The second loss term, called norm-loss, requests the discovery of normalized eigenfunctions and is used to avoid trivial solutions. We find that embedding even or odd symmetries to the neural network architecture further improves the convergence for relevant problems. Lastly, a patience condition can be used to automatically recognize eigenfunction solutions. This proposed unsupervised learning method is used to solve the finite well, multiple finite wells, and hydrogen atom eigenvalue quantum problems.

研究动机与目标

• 开发一种用于求解量子力学微分本征值问题的无监督深度学习方法。
• 通过参数化函数确保本征函数解恒等满足边界条件。
• 通过新型物理信息损失函数（ortho-loss与norm-loss）防止平凡解或非正交解的出现。
• 通过将偶/奇对称性直接嵌入神经网络架构，提升收敛性与精度。
• 将该方法扩展至非零边界条件问题，如径向氢原子方程。

提出的方法

• 该方法使用全连接神经网络，输出为单个本征函数，同时引入可学习的标量参数表示本征值，通过反向传播进行训练。
• 通过嵌入解结构的参数化函数精确强制边界条件。
• 引入两种物理信息损失函数：ortho-loss用于促进与先前找到的本征函数之间的成对正交性，norm-loss用于强制归一化并避免平凡解。
• 将偶对称与奇对称性嵌入网络架构中，引导模型获得物理上合理的解，从而提升训练收敛性。
• 通过衰减指数损失项（e^{-λ + c}）驱动的扫描机制，实现对本征值空间的探索。
• 采用耐心条件（patience condition）自动检测是否收敛至有效本征函数解。

实验结果

研究问题

• RQ1 物理信息神经网络能否直接且同时学习量子微分本征值问题的本征值与本征函数？
• RQ2 在无标签数据的情况下，如何在训练过程中强制本征函数的正交性与归一化？
• RQ3 将物理对称性（偶/奇）嵌入网络架构在多大程度上能改善收敛性与解的精度？
• RQ4 该方法能否处理非零边界条件问题，如径向氢原子问题？
• RQ5 与标准量子体系（如有限势阱与氢原子）的解析解相比，该方法的性能如何？

主要发现

• 该方法在所有测试问题中均实现了低于1.5%的本征值误差，其中氢原子基态（n=1, l=0）的误差仅为1.46%。
• 对于氢原子，模型成功恢复了多个能级（n=1至4）与角动量态（l=0至3）的本征函数与本征值，本征函数预测的均方误差低于1.0e-2。
• 引入对称性嵌入的网络架构显著提升了训练收敛性，尤其在有限势阱等对称势场中表现突出。
• ortho-loss函数有效防止网络多次收敛至同一本征函数，从而实现了不同本征态的发现。
• norm-loss函数成功避免了平凡解，并确保本征函数被归一化，支持其作为概率分布的物理解释。
• 得益于对边界条件进行精确强制的改进参数化方法，该方法在求解具有非零边界条件的径向氢原子方程时表现出强鲁棒性。