Neural Quantum Propagators for Driven-Dissipative Quantum Dynamics

要約

強力なレーザー駆動のオープン量子システムのダイナミクスを記述することは、高度に複雑な運動方程式の解決を必要とする非常に困難なタスクです。
機械学習技術は、個々の量子状態の時間発展をシミュレートするために適用され、ある程度の成功を収めていますが、時間依存演算子 (さまざまな状態を発展させることができる) を近似するための機械学習技術の使用は、ほとんど解明されていないままです。
この研究では、波動関数や密度行列ではなく伝播器を近似することによって駆動散逸量子力学を解決するユニバーサル ニューラル ネットワーク フレームワークである駆動型神経量子伝播器 (NQP) を開発します。
NQP は、はるかに短い時間ウィンドウでトレーニングされた場合でも、任意の初期量子状態を処理し、さまざまな外部フィールドに適応し、長時間のダイナミクスをシミュレートできます。
さらに、外部フィールドを適切に構成することで、訓練された NQP をさまざまなハミルトニアンによって管理されるシステムに転送できます。
スピンボソンと三状態遷移ガンマモデルを研究することで、私たちのアプローチの有効性を実証します。

要約(オリジナル)

Describing the dynamics of strong-laser driven open quantum systems is a very challenging task that requires the solution of highly involved equations of motion. While machine learning techniques are being applied with some success to simulate the time evolution of individual quantum states, their use to approximate time-dependent operators (that can evolve various states) remains largely unexplored. In this work, we develop driven neural quantum propagators (NQP), a universal neural network framework that solves driven-dissipative quantum dynamics by approximating propagators rather than wavefunctions or density matrices. NQP can handle arbitrary initial quantum states, adapt to various external fields, and simulate long-time dynamics, even when trained on far shorter time windows. Furthermore, by appropriately configuring the external fields, our trained NQP can be transferred to systems governed by different Hamiltonians. We demonstrate the effectiveness of our approach by studying the spin-boson and the three-state transition Gamma models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google