[论文解读] Simulation of Open Quantum Dynamics with Bootstrap-Based Long Short-Term Memory Recurrent Neural Network

Kunni Lin, Jiawei Peng+2 more|arXiv (Cornell University)|Aug 3, 2021

Spectroscopy and Quantum Chemical Studies参考文献 67被引用 50

一句话总结

本文提出一种基于自举法的长短期记忆循环神经网络（LSTM-NN），以高精度和低计算成本模拟长时间开放量子动力学。通过在多层多配置时间-dependent Hartree（ML-MCTDH）方法获得的早期量子演化数据上进行训练，LSTM-NN集合实现了可靠的长时间演化，同时自举法量化了预测不确定性，与数值精确结果表现出强一致性。

ABSTRACT

The recurrent neural network with the long short-term memory cell (LSTM-NN) is employed to simulate the long-time dynamics of open quantum system. The bootstrap method is applied in the LSTM-NN construction and prediction, which provides a Monte-Carlo estimation of forecasting confidence interval. Within this approach, a large number of LSTM-NNs are constructed by resampling time-series sequences that were obtained from the early-stage quantum evolution given by numerically-exact multilayer multiconfigurational time-dependent Hartree method. The built LSTM-NN ensemble is used for the reliable propagation of the long-time quantum dynamics and the simulated result is highly consistent with the exact evolution. The forecasting uncertainty that partially reflects the reliability of the LSTM-NN prediction is also given. This demonstrates the bootstrap-based LSTM-NN approach is a practical and powerful tool to propagate the long-time quantum dynamics of open systems with high accuracy and low computational cost.

研究动机与目标

• 开发一种计算高效且精确的方法，用于模拟传统方法难以处理的长时间开放量子动力学。
• 解决基于机器学习的量子动力学预测中缺乏可靠不确定性估计的问题。
• 结合LSTM-NN的表达能力与自举重采样的统计稳健性，以提升预测可靠性。
• 在非马尔可夫性、强耦合及低温自旋-玻色子模型中验证该方法的有效性。

提出的方法

• 在通过数值精确的ML-MCTDH方法获得的短时间量子演化数据上，训练大规模LSTM-NN集合。
• 对训练数据应用自举重采样，生成多个独立的LSTM-NN模型，从而实现对预测置信区间的统计估计。
• 每个LSTM-NN的输入为指定窗口长度L内约化密度矩阵元素的时间序列序列，输出为对下一个时间点的预测。
• 通过网格搜索优化模型超参数（层数、神经元数、序列长度L），以最小化验证误差。
• 最终预测结果为所有自举训练LSTM-NN的集合平均，不确定性通过预测结果的分布进行量化。
• 对于具有挑战性的情况（如低温、强耦合），在自举前应用额外的模型选择，仅保留验证误差较低的网络。

实验结果

研究问题

• RQ1 在短时间量子演化数据上训练的LSTM-NN集合能否准确预测长时间开放量子动力学？
• RQ2 自举法能否可靠地量化LSTM-NN在量子动力学模拟中预测的不确定性？
• RQ3 与数值精确方法（如混合随机-确定性HEOM）相比，自举-LSTM-NN方法的性能如何？
• RQ4 缺失的动力学特征（如约化密度矩阵的非对角元素）对预测可靠性与不确定性有何影响？
• RQ5 该方法能否处理在低温和强系统-环境耦合条件下表现出的强非马尔可夫性动力学？

主要发现

• 自举-LSTM-NN方法在各种系统参数下，与数值精确的ML-MCTDH和混合随机-确定性HEOM结果高度一致。
• 由自举集合推导出的预测不确定性随时间增加，并与高动力学复杂性区域（如非马尔可夫振荡）相关。
• 在10 K和强耦合条件下的自旋-玻色子模型中，集合平均预测结果与从虚时路径积分模拟获得的长时间极限结果高度吻合。
• 该方法成功捕捉了非马尔可夫动力学，包括布居振荡和相干效应，即使在具有挑战性的低温区域亦然。
• 在10 K时预测不确定性明显增加，归因于模型输入中省略了非对角密度矩阵元素，凸显了该方法的关键局限性。
• 该方法相比精确方法显著降低了计算成本，同时保持了高精度，并提供了内在的不确定性量化能力。