[论文解读] Spacetime Neural Network for High Dimensional Quantum Dynamics

Wang. Jiangran, Zhuo Chen+4 more|arXiv (Cornell University)|Aug 4, 2021

Model Reduction and Neural Networks参考文献 16被引用 7

一句话总结

本文提出一种具有二阶优化的时空神经网络，用于求解由薛定谔方程支配的高维量子动力学。通过使用隐式中点法联合优化空间和时间的波函数表示，该模型在所有时间步长上实现了精确且自归一化的解，展示了在12自旋海森堡模型上的优异性能，波函数重叠和能量匹配接近精确解。

ABSTRACT

We develop a spacetime neural network method with second order optimization for solving quantum dynamics from the high dimensional Schrödinger equation. In contrast to the standard iterative first order optimization and the time-dependent variational principle, our approach utilizes the implicit mid-point method and generates the solution for all spatial and temporal values simultaneously after optimization. We demonstrate the method in the Schrödinger equation with a self-normalized autoregressive spacetime neural network construction. Future explorations for solving different high dimensional differential equations are discussed.

研究动机与目标

• 为解决高维薛定谔方程在量子动力学中的挑战，传统方法随系统尺寸增大而性能急剧下降。
• 克服迭代一阶优化的局限性，实现对所有时空点的同时优化。
• 开发一种神经网络架构，通过联合时空参数化隐式编码路径积分公式。
• 通过虚时演化在12自旋海森堡模型上验证该方法的有效性。
• 建立一个适用于真实时间动力学及其他高维微分方程的通用框架。

提出的方法

• 时空神经网络使用内部时间网络生成外部空间网络的时间依赖权重，实现波函数 ψ(x,t) 的自回归建模。
• 模型采用自归一化的自回归Transformer架构，确保每个时间步的精确采样和归一化。
• 采用隐式中点法进行二阶优化，相比一阶欧拉格式，显著提升了稳定性和精度。
• 损失函数在所有时间步上同时计算，实现整个时空波函数的联合训练。
• 该方法通过在所有配置上编码时间有序演化，隐式关联量子力学的路径积分公式。
• 训练使用Adam优化器，共150步，时间步长 Δt = 0.01，总时间 T = 2。

实验结果

研究问题

• RQ1 单一神经网络架构是否能够联合优化高维量子系统中所有空间和时间维度的波函数？
• RQ2 与一阶迭代方法相比，二阶隐式时间积分在量子动力学中如何提升精度和稳定性？
• RQ3 具有自回归结构的时空神经网络在高维配置空间中，能在多大程度上实现自归一化和精确采样？
• RQ4 该方法在复杂量子系统（如12自旋海森堡模型）中是否能保持对精确解的高保真度？
• RQ5 该方法在推广至真实时间动力学及其他高维微分方程方面具有何种潜力？

主要发现

• 该时空神经网络在 T = 2 时与12自旋海森堡模型的精确解达到约0.98的高绝对重叠，表明波函数重构具有极高的保真度。
• 预测的能量值在所有时间步上均与精确能量高度匹配，演化期间偏差低于1%。
• 模型在使用二阶隐式积分时表现出稳定的训练和收敛，避免了一阶方法常见的不稳定性问题。
• 自归一化的自回归结构使每个时间步的波函数可实现精确采样，无需额外归一化步骤。
• 对空间和时间的联合优化产生了解，该解隐式编码了路径积分，从而能够计算时间关联可观测量（如格林函数）。
• 该方法不仅适用于虚时动力学，还可推广至真实时间演化及其他高维微分方程（如哈密顿-雅可比方程或布莱克-斯科尔斯方程）。