PulseAugur
中
实时 07:30:55
English(EN) Capturing reduced-order quantum many-body dynamics out of equilibrium via neural ordinary differential equations

神经ODE学习量子多体动力学，指导闭合方案开发

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种神经常微分方程（ODE）模型，能够模拟量子多体系统的动力学。该模型在精确的二粒子约化密度矩阵（2RDM）数据上进行训练，可以在没有显式三粒子信息的情况下复制系统演化。然而，其精度仅限于特定参数区域，在这些区域中二粒子和三粒子累积量之间的相关性很强，这表明在其他区域需要依赖记忆的核。 AI

影响 这项工作展示了一种模拟复杂量子系统的新型数据驱动方法，有望加速凝聚态物理和量子计算领域的研究。

排序理由 这是一篇研究论文，详细介绍了神经ODE在量子多体动力学中的新颖应用。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

神经ODE学习量子多体动力学，指导闭合方案开发

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Patrick Egenlauf, Iva B\v{r}ezinov\'a, Sabine Andergassen, Miriam Klopotek ·

    Capturing reduced-order quantum many-body dynamics out of equilibrium via neural ordinary differential equations

    arXiv:2512.13913v3 Announce Type: replace Abstract: Out-of-equilibrium quantum many-body systems exhibit rapid correlation buildup that underlies many emerging phenomena. Exact wave-function methods to describe this scale exponentially with particle number; simpler mean-field app…

相关实体

相关话题