[论文解读] Realization of the Trajectory Propagation in the MM-SQC Dynamics by Using Machine Learning

Kunni Lin, Jiawei Peng+3 more|arXiv (Cornell University)|Jul 11, 2022

Quantum, superfluid, helium dynamics被引用 8

一句话总结

本文提出一种长短期记忆循环神经网络（LSTM-RNN），用于在Meyer-Miller对称性半经典（MM-SQC）框架内加速并精确模拟基于轨迹的非绝热动力学。该方法在多体激子-声子系统中实现了长时间演化下的高精度与高稳定性，展示了机器学习在捕捉高维量子-经典动力学中复杂动力学修正方面的能力。

ABSTRACT

The supervised machine learning (ML) approach is applied to realize the trajectory-based nonadiabatic dynamics within the framework of the symmetrical quasi-classical dynamics method based on the Meyer-Miller mapping Hamiltonian (MM-SQC). After the construction of the long short-term memory recurrent neural network (LSTM-RNN) model, it is used to perform the entire trajectory evolutions from initial sampling conditions. The proposed idea is proven to be reliable and accurate in the simulations of the dynamics of several site-exciton electron-phonon coupling models, which cover two-site and three-site systems with biased and unbiased energy levels, as well as include a few or many phonon modes. The LSTM-RNN approach also shows the powerful ability to obtain the accurate and stable results for the long-time evolutions. It indicates that the LSTM-RNN model perfectly captures of dynamical correction information in the trajectory evolution in the MM-SQC dynamics. Our work provides the possibility to employ the ML methods in the simulation of the trajectory-based nonadiabatic dynamic of complex systems with a large number of degrees of freedoms.

研究动机与目标

• 开发一种机器学习方法，以实现对复杂量子系统中非绝热动力学的高效且精确模拟。
• 克服传统基于轨迹的方法在具有大量自由度的系统中计算成本过高的问题。
• 利用监督学习在 MM-SQC 框架中实现长时间、稳定的轨迹演化。
• 在具有不同能量偏置和声子模式的多体激子-声子模型上验证该方法。
• 证明利用深度学习捕捉半经典轨迹模拟中动力学修正信息的可行性。

提出的方法

• 构建一个基于 LSTM-RNN 的监督机器学习框架，通过初始采样条件学习轨迹的时间演化。
• 使用从 MM-SQC 哈密顿量生成的轨迹数据对 LSTM-RNN 进行训练，学习电子与核自由度的耦合动力学。
• 通过处理连续时间步长，利用记忆门保持时间依赖性，预测完整的轨迹演化。
• 将该方法应用于具有偏置和无偏置能级的两体和三体激子-声子系统。
• 在具有少量和大量声子模式的系统上测试该方法，以评估其可扩展性与鲁棒性。
• 将模型预测结果与标准 MM-SQC 模拟的参考解进行对比验证。

实验结果

研究问题

• RQ1 LSTM-RNN 能否在 MM-SQC 框架中准确建模非绝热轨迹演化？
• RQ2 该机器学习模型在电子-声子耦合系统的长时间模拟中表现如何？
• RQ3 该方法能否在具有不同能量偏置和声子模式的系统中保持精度与稳定性？
• RQ4 LSTM-RNN 是否能有效捕捉轨迹传播中的动力学修正效应？
• RQ5 该机器学习方法在具有大量自由度的高维系统中可扩展性的程度如何？

主要发现

• LSTM-RNN 模型在具有偏置和无偏置能级的两体和三体激子-声子系统中，均实现了高精度的非绝热动力学模拟。
• 该方法在长时间轨迹传播中表现出稳定且精确的特性，甚至在某些情况下超越了传统数值积分的极限。
• 该模型成功捕捉了轨迹演化中的动力学修正信息，表明其有效学习了非绝热耦合效应。
• 该方法在具有少量和大量声子模式的系统中均保持可靠性，显示出对系统复杂度的鲁棒性。
• 结果证实了利用深度学习加速并增强复杂量子-经典动力学中基于轨迹模拟的可行性。
• 该方法为具有大量自由度的系统提供了一种可扩展的传统轨迹传播替代方案。