Schrödinger equation
PulseAugur coverage of Schrödinger equation — every cluster mentioning Schrödinger equation across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新基础模型准确描述化学键断裂
研究人员开发了 Orbformer，这是一种新颖的量子化学基础模型，可以准确描述化学键断裂。该模型利用深度神经网络和量子蒙特卡洛方法从海量分子结构数据集中学习，使其能够以优于传统方法的成本-准确性比实现化学精度。Orbformer 的方法将求解薛定谔方程的计算成本分摊到多个分子上，使其成为复杂化学模拟的实用工具。
-
新框架将CNN信息力学与物理方程统一
本文介绍了一个统一的数学框架，用于模拟卷积神经网络（CNN）内部的信息传播，旨在弥合物理空间和信息空间之间的差距。它建立了CNN中离散滤波器对称性与相对论能量-动量关系之间的对应关系，其中对称分量充当静止能量，反对称分量充当动量。该框架展示了重复滤波如何导致高斯尺度空间和尺度不变特征，这些特征在结构上与热方程、薛定谔方程和弗里德曼方程相似，并在各种物理尺度上揭示了涌现的莫尔斯拓扑结构。
-
新研究通过误差校正、精度和浅层架构解决PINN的局限性
三篇近期研究论文探讨了改进物理信息神经网络（PINN）性能和效率的方法。一种方法是物理信息误差场学习（PIEFL），它引入了一个辅助误差网络，在初始训练后校正预测，将计算资源集中于误差减小而不是持续的全场优化。另一项研究调查了PINN故障的补救措施，比较了切换到双精度浮点格式与使用具有子序列对齐的状态空间模型骨干的有效性，发现这些方法解决了不同的故障模式，并且不可互换。第三篇论文表明，当使用Levenberg-Marquardt算法进…
-
新研究详解深度Ritz方法在薛定谔方程中的特征学习
本文探讨了使用深度Ritz方法求解定常薛定谔方程的特征学习问题。文章分析了黎曼梯度下降的收敛性，证明了其能达到近似全局最小值。研究进一步考察了当偏微分方程的源项遵循单指标模型时的损失景观，展示了在单神经元和双神经元场景下如何实现特征对齐。数值实验验证了双神经元情况下特征涌现的理论。
-
新的GPU框架加速复杂系统的量子态计算
研究人员开发了QiankunNet-cuSCI，一个新颖的框架，通过GPU完全加速NNQS-SCI方法来解决复杂的量子系统。通过实现分布式去重和专门的CUDA内核来生成组态，这种新方法解决了先前CPU-GPU混合架构的可扩展性限制。该框架还采用了GPU内存管理技术来处理更大的组态空间，从而实现了更广泛的问题解决能力。在NVIDIA A100集群上的评估中，QiankunNet-cuSCI比现有方法实现了2.32倍的速度提升，同时保持了高精度。
-
研究人员使用生成模型通过得分匹配解决量子动力学问题
研究人员开发了一种新颖的方法，通过学习玻姆轨迹上的得分函数来求解含时薛定谔方程。该方法利用神经网络参数化得分函数，并最小化自洽的Fisher散度，有效地将实时量子动力学重塑为由得分驱动的归一化流。该框架已在波包分裂和非谐振动方面得到验证，有可能将量子力学与现代生成建模工具相结合。