A neural network approach for two-body systems with spin and isospin degrees of freedom

Dit artikel presenteert een verbeterde machine learning-methode die gebruikmaakt van een niet-volledig verbonden diep neuronaal netwerk om de grondtoestand van tweelichamssystemen met spin- en isospinvrijheidsgraden te berekenen, waarvan de geldigheid wordt aangetoond door de unieke gebonden toestand van het deuteron te modelleren.

De kern

Titel: Hoe een digitaal brein de geheimen van de deuteron ontrafelt

Stel je voor dat je probeert te begrijpen hoe twee deeltjes, zoals twee dansende partners, samen bewegen in een heel klein, onzichtbaar universum. In de wereld van de atoomkernen zijn deze partners vaak een proton en een neutron. Samen vormen ze de deuteron, het eenvoudigste "echte" atoomkern-systeem dat we kennen.

Deze paper (rapport) beschrijft een slimme nieuwe manier om te berekenen hoe deze twee deeltjes precies bewegen en hoe sterk ze aan elkaar gebonden zijn. De auteurs gebruiken hiervoor kunstmatige intelligentie (AI), specifiek een type dat een "neuraal netwerk" wordt genoemd.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het probleem: Een ingewikkelde dans

In de quantumwereld gedragen deeltjes zich niet als balletjes, maar als golven. Om te weten hoe een deuteron eruitziet, moeten we die "golf" beschrijven. Maar deze golf is niet simpel. De deeltjes hebben niet alleen een positie, maar ook een spin (een soort interne rotatie, alsof ze een kompasnaaldje zijn) en een isospin (een soort interne identiteit, alsof ze een uniform dragen dat aangeeft of ze een proton of neutron zijn).

Vroeger waren computers te traag of te simpel om al deze complexe bewegingen en identiteiten tegelijkertijd te simuleren. Het was alsof je probeerde een danspas te beschrijven waarbij je ook rekening moet houden met de kleur van de schoenen, de draairichting en de stemming van de danser, allemaal tegelijk.

2. De oplossing: Een digitaal brein dat leert

De auteurs van dit rapport hebben een neuraal netwerk (een computerprogramma dat lijkt op een menselijk brein) getraind om deze complexe dans te leren.

• De "Onvolledig Verbonden" Architectuur:
  Stel je voor dat je een groep studenten hebt die een moeilijk examen moeten maken. In een normaal netwerk zitten ze allemaal in één grote klas en praten ze met elkaar (volledig verbonden). Maar in dit nieuwe model hebben ze een slimme truc bedacht: ze zitten in aparte groepjes die niet met elkaar praten, maar wel allemaal naar dezelfde vraag kijken.
  Dit heet een "non-fully connected" netwerk. Het is alsof elke student zich focust op één specifiek aspect van de dans (bijvoorbeeld alleen de draaiing of alleen de sprong), zonder dat ze door de anderen afgeleid worden. Dit maakt het berekenen veel sneller en nauwkeuriger, zonder dat de computer "verkeerd" leert.

• Zonder vooropleiding (Unsupervised Learning):
  Meestal leer je een computer door hem duizenden voorbeelden te geven (zoals een leraar die zegt: "Dit is goed, dit is fout"). Maar hier hebben ze een andere methode gebruikt: onbewaakte learning.
  Ze gaven het netwerk alleen de regels van de natuur (de wetten van de fysica) en zeiden: "Zoek zelf de beste manier om te dansen." Het netwerk probeerde van alles, keek naar de energie (hoe stabiel de dans is), en verbeterde zichzelf totdat het de perfecte dans had gevonden. Het was alsof je een robot de dansvloer op stuurde zonder instructies, en hij door trial-and-error zelf de perfecte choreografie bedacht.

3. De test: De deuteron

Om te bewijzen dat hun methode werkt, hebben ze het getest op de deuteron. Ze wisten al wat het antwoord moest zijn (uit eerdere, zeer dure berekeningen).

• Het resultaat? Hun AI-model kwam uit op een antwoord dat 99,95% overeenkwam met de bekende echte waarde.
• Het model ontdekte ook iets belangrijks: hoewel ze 18 verschillende manieren hadden ingevoerd waarop de deeltjes konden bewegen, bleek dat in de werkelijkheid slechts twee van die manieren echt belangrijk waren. De rest was verwaarloosbaar. Dit bevestigt wat natuurkundigen al lang vermoedden, maar nu met een nieuwe, snelle computermethode.

4. Waarom is dit belangrijk?

Dit is als het vinden van een nieuwe, snellere route naar een bestemming die we al kenden.

• Snelheid en flexibiliteit: Omdat hun netwerk zo slim is ontworpen (met die aparte groepjes), kan het in de toekomst veel complexere systemen aan. Denk aan atoomkernen met meer deeltjes, of zelfs exotische materie in sterren.
• De toekomst: Nu ze hebben bewezen dat dit werkt voor twee deeltjes, hopen ze dit uit te breiden naar drie, vier of nog meer deeltjes. Het is alsof ze eerst hebben getraind om een duet te analyseren, en nu klaar zijn om een heel koor te bestuderen.

Samenvattend:
De auteurs hebben een slimme, digitale "dansmeester" bedacht die zichzelf heeft aangeleerd hoe twee subatomaire deeltjes samenwerken. Door een slimme architectuur te gebruiken (waarbij delen van het brein niet met elkaar praten) en door te leren zonder een leraar, hebben ze een methode ontwikkeld die snel, nauwkeurig en klaar is voor de toekomstige uitdagingen in de kernfysica. Het is een prachtige stap in het gebruik van AI om de geheimen van het heelal te ontrafelen.

Technische samenvatting

Titel: Een neurale netwerkbenadering voor tweelichamssystemen met spin- en isospinvrijheidsgraden

Auteurs: Chuanxin Wang, Tomoya Naito, Jian Li, en Haozhao Liang.
Publicatie: RIKEN-iTHEMS-Report-24 (2026).

---

1. Het Probleem

Het vinden van de grondtoestand van kwantumveeldeeltjessystemen is een fundamenteel probleem in de natuurkunde, variërend van atoomkernen tot vaste stoffen. Traditionele methoden zoals Dichtefunctietheorie (DFT), Tensor-netwerken en Variational Monte Carlo (VMC) benaderen dit als een variatieprobleem.

Hoewel onbewaakte machine learning (ML) technieken, zoals Restricted Boltzmann Machines (RBM's) en Deep Neural Networks (DNN's), succesvol zijn toegepast op spin-systemen en bosonische systemen, bestaan er nog significante uitdagingen:

• Spin en Isospin: Bestaande onbewaakte ML-methoden voor continue coördinaten (zoals die in Ref. [57]) hebben de spin- en isospinvrijheidsgraden nog niet effectief geïntegreerd. Deze zijn echter cruciaal voor het beschrijven van magnetische materialen en atoomkernen.
• Symmetrie en Antisymmetrie: Het incorporeren van de vereiste (anti)symmetrisatie in neurale netwerken voor fermionische systemen is complex. Bestaande methoden gebruiken vaak specifieke ansätze (zoals Jastrow-Slater) die niet universeel toepasbaar zijn of beperkt zijn tot specifieke systemen.
• Deuterium: Deuterium (een gebonden proton-neutron systeem) is het eenvoudigste realistische veeldeeltjessysteem, maar vereist een Hamiltoniaan met niet-centrale tensorkrachten, wat de behandeling van spin en isospin noodzakelijk maakt.

2. Methodologie

De auteurs stellen een verbeterde, onbewaakte machine learning-methode voor die de bestaande DNN-benadering uitbreidt om spin- en isospinvrijheidsgraden te omvatten.

• Hamiltoniaan en Potentiaal:

  • Het systeem wordt gemodelleerd met de Argonne V18 (AV18) potentiaal, inclusief 18 operatoren die lading, spin ($\sigma$), isospin ($\tau$), en tensorkrachten ($S_{12}$) beschrijven.
  • Ook de vereenvoudigde AV8' en AV4' potentialen worden gebruikt voor validatie.
  • Door translatiesymmetrie wordt alleen de relatieve beweging beschouwd, wat het probleem reduceert tot een effectief één-deeltjessysteem.

• Golf Functie Expansie (Partiële Golven):

  • De kwantumtoestand wordt herschreven met behulp van een expansie in partiële golven: $|\Psi\rangle = \sum d_{LSJ} \phi_{LSJ} \dots$
  • Hierbij zijn $L$ (baanimpulsmoment), $S$ (spin) en $J$ (totale impulsmoment) de kwantumgetallen.
  • Vanwege de $(L \cdot S)$-term in de potentiaal zijn $L$ en $S$ geen goede kwantumgetallen meer; $J$ wordt gebruikt als het goede kwantumgetal.

• Neuraal Netwerk Architectuur:

  • Input: De relatieve afstand $r$ tussen de deeltjes (gediscretiseerd in roosterpunten).
  • Output: De radiale delen van de golf functies $\phi_{LSJ}(r)$.
  • Architectuur: Er wordt een niet-volledig verbonden (non-fully connected) Deep Neural Network (DNN) gebruikt.
    • De inputlaag is gedeeld voor alle uitgangen.
    • De verborgen lagen voor elke specifieke uitgang (elk partiële golf) zijn volledig verbonden.
    • Er is geen connectie tussen de verborgen knooppunten van verschillende uitgangen. Dit zorgt ervoor dat het netwerk de specifieke symmetrieën en onafhankelijkheid van de partiële golven beter kan leren zonder overfitting.
  • Activeringsfunctie: Softplus ($\log(1+e^x)$).
  • Verliesfunctie: De verwachte energie $\langle H \rangle$ wordt geminimaliseerd. De randvoorwaarden ($\xi(0)=\xi(\infty)=0$) worden opgelegd via een transformatie $\xi(r) = r\phi(r)$.

• Optimalisatie:

  • De parameters worden geüpdatet met de Adam-optimizer (of SGD voor vergelijking).
  • Er is geen vooraf trainen (pre-training) nodig, in tegenstelling tot eerdere methoden die toezicht vereisten om convergentie bij de oorsprong te garanderen.

3. Belangrijkste Bijdragen

1. Integratie van Spin en Isospin: Voor het eerst wordt een onbewaakte DNN-methode voor continue coördinaten uitgebreid met spin- en isospinvrijheidsgraden via partiële golf-expansies.
2. Niet-volledig verbonden Architectuur: De introductie van een specifieke DNN-structuur waarbij verborgen lagen van verschillende uitgangen niet met elkaar verbonden zijn. Dit blijkt effectiever te zijn dan volledig verbonden netwerken voor dit type fysica, omdat het overfitting voorkomt en convergentie verbetert.
3. Universele Toepasbaarheid: De methode is ontworpen om willekeurige spin- en isospinwaarden te kunnen behandelen, wat een algemene formule biedt voor complexe kernsystemen.
4. Validatie zonder Pre-training: Het bewijzen dat het systeem convergentie bereikt zonder complexe vooraf trainingsstappen, puur door de keuze van de ansatz en de netwerkstructuur.

4. Resultaten

De methode werd getest op het deuterium (deuteriumkern), het enige gebonden toestand van een proton-neutron systeem.

• Grondtoestand Samenstelling: De berekening met 18 mogelijke partiële golven ($L=0$ tot $4$, $S=0$ tot $1$) bevestigde dat alleen de $^3S_1$ en $^3D_1$ toestanden een significante bijdrage leveren aan de grondtoestand. De bijdragen van andere toestanden waren verwaarloosbaar klein ($< 10^{-7}$), wat overeenkomt met de bekende fysica.
• Energie Nauwkeurigheid:
  • Met de AV18 potentiaal werd een grondtoestandsenergie van -2.2258 MeV berekenden.
  • De referentiewaarde (Green's Function Monte Carlo) is -2.2246 MeV.
  • Dit resulteert in een relatieve fout van slechts 0,054%.
  • Zelfs met de vereenvoudigde AV8' potentiaal werd een fout van 0,058% behaald.
• Netwerkcomplexiteit:
  • Het bleek dat een diep netwerk niet noodzakelijk is voor hoge precisie. Een structuur met twee verborgen lagen van elk 16 eenheden was al voldoende.
  • In tegenstelling tot eerdere studies (Ref. [42]), waar diepere netten de convergentie verslechterden, bleek het model van de auteurs stabiel te blijven bij het toevoegen van lagen, zolang het aantal verborgen knooppunten beperkt werd.
• Golffunctie Kwaliteit: De berekende golffuncties ($u$ voor S-golf en $w$ voor D-golf) kwamen zeer goed overeen met de benchmark-resultaten uit de literatuur. De relatieve fouten waren het grootst voor de D-golf component, wat logisch is aangezien deze een kleinere bijdrage levert aan de totale energie (en dus minder gewicht heeft in de verliesfunctie).

5. Betekenis en Toekomstperspectief

Dit werk markeert een belangrijke stap in het toepassen van machine learning op kwantumkernfysica:

• Validatie van ML in Kernen: Het bewijst dat onbewaakte DNN's, zonder toezicht of complexe vooraf trainingsprocedures, zeer nauwkeurige resultaten kunnen leveren voor kernsystemen met complexe interacties (tensorkrachten).
• Schaalbaarheid: De methode is ontworpen om schaalbaar te zijn. De auteurs suggereren dat deze aanpak kan worden uitgebreid naar:
  • N-deeltjessystemen: Door het oplossen van de Faddeev-vergelijkingen voor drie-deeltjessystemen met hypersferische coördinaten.
  • Relativistische Systemen: De integratie van spin en isospin in het Dirac-raamwerk, wat essentieel is voor zware kernen.
• Efficiëntie: De methode vermijdt de noodzaak van gespecialiseerde ansätze (zoals Jastrow-Slater) die specifiek voor fermionen zijn ontworpen, en biedt in plaats daarvan een flexibeler, datagedreven alternatief dat zowel bosonische als fermionische systemen kan behandelen met dezelfde basisstructuur.

Kortom, deze studie levert een robuust en nauwkeurig kader aan voor het oplossen van de Schrödinger-vergelijking voor tweelichamssystemen met volledige vrijheidsgraden, en opent de deur voor toepassing op complexere kernstructuren.