Addressing the ground state of the deuteron by physics-informed neural networks

Dit artikel demonstreert dat Physics-Informed Neural Networks (PINNs) met een relatieve fout van ongeveer $10^{-6}$ de grondtoestand van het deuteron nauwkeurig kunnen berekenen, wat een veelbelovende weg opent voor het oplossen van complexere atoomkernen.

De kern

De Deuteron en de Slimme Netwerken: Een Verhaal over het Oplossen van de Atomaire Puzzel

Stel je voor dat je probeert de perfecte balans te vinden in een heel complex dansje tussen twee dansers: een proton en een neutron. Samen vormen ze de deuteron, het zwaarste atoomkernje dat uit slechts twee deeltjes bestaat. In de natuurkunde is het heel moeilijk om precies te voorspellen hoe deze twee dansers zich gedragen, omdat ze voortdurend met elkaar praten via een kracht die we de "kernkracht" noemen.

Traditionele computers proberen dit op te lossen door alles in kleine stapjes te rekenen, maar dat kan soms erg traag of onnauwkeurig zijn. In dit artikel gebruiken de auteurs een nieuwe, slimme methode: Physics-Informed Neural Networks (PINN's).

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Slimme Student (Het Neural Network)

Stel je een student voor die een examen moet doen over de dans van het proton en neutron. Normaal gesproken zou je de student duizenden voorbeelden geven van hoe de dans eruitziet (dat is "leren met data"). Maar in de quantumwereld hebben we die voorbeelden vaak niet.

In plaats daarvan geven we de student een regelsboek (de natuurwetten). We zeggen tegen de student: "Je hoeft niet te raden. Je moet gewoon een dansbeweging bedenken die voldoet aan de regels van de natuurkunde, zoals energiebehoud en de specifieke krachten tussen de deeltjes."

Deze "student" is een kunstmatig neuronaal netwerk. Het is een computerprogramma dat net als een hersenstructuur werkt en zelf leert door te proberen en te falen.

2. De Strafpunten (De Loss Functie)

Hoe weet de computer of hij het goed doet? Hij krijgt een strafpunten-systeem (in het Engels: loss function).

• De Dansregels: Als de dansbeweging niet voldoet aan de Schrödinger-vergelijking (de hoofdwet van quantummechanica), krijgt de student een zware straf.
• De Randen: Als de dansers te ver uit elkaar gaan of op de verkeerde plek beginnen, krijgt hij straf.
• De Energie: De student moet proberen de dans zo efficiënt mogelijk te maken, zodat de energie zo laag mogelijk is (de rustigste toestand, ofwel de "grondtoestand").

Elke keer dat de student een nieuwe dansbeweging bedenkt, kijkt het systeem naar de strafpunten. Als de straf te hoog is, past de student zijn bewegingen een beetje aan. Dit doet hij miljoenen keren, tot de strafpunten bijna nul zijn. Dan heeft hij de perfecte dans gevonden.

3. Twee Manieren om te Kijken (Ruimte vs. Snelheid)

De auteurs hebben dit getest op twee manieren:

• In de "Ruimte" (Positie): Hier kijken we waar de deeltjes zich bevinden. Dit is als kijken naar een foto van de dansers. Ze gebruikten een simpelere kracht (de Minnesota-potentiaal) om te testen of hun methode werkte. Het resultaat was goed, maar niet perfect.
• In de "Snelheid" (Impuls): Hier kijken we hoe snel de deeltjes bewegen. Dit is lastiger, omdat de deeltjes soms heel snel kunnen gaan (hoge snelheden). Ze gebruikten hier twee zeer complexe en realistische modellen (N4LO en CD-Bonn).

4. Het Resultaat: Een Meesterwerk

Het verbazingwekkende aan dit onderzoek is dat de computer, die alleen de natuurwetten als regels kreeg, het antwoord vond dat bijna perfect overeenkwam met de beste traditionele rekenmethoden.

• Voor het meest complexe model (CD-Bonn) was de fout zo klein dat hij nauwelijks meetbaar was (ongeveer 1 op de 10 miljoen).
• Het netwerk kon zelfs de subtiele details van de dans nabootsen, inclusief de moeilijke "hoge snelheid" bewegingen die andere methoden soms missen.

Waarom is dit belangrijk?

Vroeger dachten natuurkundigen dat je voor zulke complexe atomaire problemen alleen maar brute kracht (supercomputers die alles uitrekent) nodig had. Dit artikel laat zien dat je ook slimme, slimme studenten (AI) kunt gebruiken die de regels van de natuurkunde al kennen.

Het is alsof je iemand leert zwemmen. In plaats van hem duizenden keren in het water te gooien en te kijken of hij zinkt, geef je hem een boek over hydrodynamica en laat je hem in een zwembad oefenen tot hij perfect zwemt.

Conclusie:
De auteurs hebben bewezen dat deze nieuwe AI-methode werkt voor de kleinste bouwstenen van de materie. Het is een eerste stap. In de toekomst hopen ze dit te gebruiken voor grotere atoomkernen (met meer dan twee deeltjes) en zelfs voor moleculen. Het opent een nieuwe deur in de natuurkunde, waar kunstmatige intelligentie en de wetten van het universum samenwerken om de geheimen van de materie te ontrafelen.

Technische samenvatting

Probleemstelling

De kern van dit onderzoek ligt in het oplossen van het kwantum-villichaarsprobleem voor de kern van deuterium (een proton en een neutron). Traditionele numerieke methoden, zoals Variational Monte Carlo (VMC) of Diffusion Monte Carlo (DMC), zijn vaak computatiever intensief of vereisen complexe aanpassingen voor specifieke interactiemodellen. Hoewel "Neural Network Quantum States" (NQS) al succesvol zijn toegepast in vaste-stoffysica en chemie, is er tot nu toe geen gedemonstreerd bewijs voor het extraheren van nucleaire eigenstaten met behulp van Physics-Informed Neural Networks (PINNs). PINNs zijn een machinelearning-techniek die fysische wetten (zoals differentiaalvergelijkingen) direct in het trainingsproces integreert, zonder dat er gelabelde trainingsdata nodig is. Het doel van dit werk is om de PINN-framework te toepassen op de Schrödinger-vergelijking voor de deuteron, inclusief realistische nucleon-nucleon interacties met sterke correlaties op hoge impuls.

Methodologie

De auteurs hebben een PINN-architectuur ontwikkeld die de radiale Schrödinger-vergelijking oplost in zowel de coördinatenruimte als de impulsruimte.

1. Verliesfunctie (Loss Function):
   De totale verliesfunctie ($L_{PINN}$) bestaat uit meerdere termen die de fysische beperkingen van het systeem coderen:

   • $L_{PDE}$ (Schrödinger-vergelijking): Dit is de kernterm die de vergelijking $H|\psi\rangle = E|\psi\rangle$ oplegt. De verwachtingswaarde van de energie ($E$) wordt berekend via numerieke integratie over de uitgang van het netwerk.
   • $L_{BCs}$ (Randvoorwaarden): Garandeert dat de golffunctie voldoet aan de juiste randvoorwaarden (bijv. $\psi(0)=0$ voor $L=0$ en $\psi(\infty)=0$ voor gebonden toestanden).
   • $L_{norm}$ (Normalisatie): Zorgt ervoor dat de golffunctie genormaliseerd is ($\int |\psi|^2 = 1$). Dit wordt op twee manieren geïmplementeerd:
     • Coördinatenruimte: Via een "auxiliary output" methode waarbij een extra neurale netwerknoot de integraal leert benaderen.
     • Impulsruimte: Via eindige-differentiemethoden (efficiënter voor deze toepassing).
   • $L_{var}$ (Variatieprincipe): Een specifieke term die het netwerk stimuleert om de laagste energietoestand (grondtoestand) te vinden door de energie te minimaliseren tijdens de vroege trainingsfasen.

2. Netwerkarchitectuur:
   Er werden feed-forward netwerken gebruikt met meerdere verborgen lagen (256 neuronen per laag). Voor de impulsruimte werden de uitgangen gedefinieerd als $\phi(k) = k \psi(k)$ om de randvoorwaarden bij $k=0$ te vereenvoudigen.

3. Interactiemodellen:
   Drie verschillende potentieelmodellen werden getest:

   • Minnesota-potentieel: Een vereenvoudigd model in coördinatenruimte.
   • N4LO ($\chi$EFT): Een realistisch model gebaseerd op chirale effectieve veldtheorie (vijfde orde) in impulsruimte.
   • CD-Bonn: Een hoog-precisie potentieel in impulsruimte dat sterke kortebereik-correlaties (en dus hoge impulsen) introduceert, wat de meest uitdagende test is.

Belangrijkste Bijdragen

• Eerste toepassing op nucleaire structuur: Dit is het eerste bewijs dat PINNs succesvol kunnen worden gebruikt om de grondtoestand van een ab initio nucleair structuurprobleem (de deuteron) op te lossen.
• Nieuwe strategie voor eigenwaarden: De auteurs introduceerden een efficiënte manier om de variatie-energie in de verliesfunctie te berekenen, wat essentieel is voor het trainen zonder vooraf bekende data.
• Omgaan met hoge impulsen: Het framework slaagde erin om realistische modellen met sterke hoge-impuls correlaties (zoals CD-Bonn) op te lossen, wat eerder een uitdaging was voor dergelijke methoden.
• Vergelijking Ruimtes: Er werd een gedetailleerde vergelijking gemaakt tussen oplossingen in coördinatenruimte en impulsruimte, waarbij werd aangetoond dat eindige-differentiemethoden voor normalisatie in impulsruimte computatie-efficiënter zijn dan de auxiliary output-methode.

Resultaten

De resultaten tonen een uitstekende overeenkomst met gevestigde numerieke methoden:

• Minnesota (Coördinatenruimte): De relatieve fout in de bindingsenergie was ongeveer 1,1%. De golffunctie volgde het verwachte gedrag van een gebonden $L=0$-toestand.
• N4LO (Impulsruimte): De relatieve fout ten opzichte van de exacte numerieke diagonalisatie was $-5,21 \times 10^{-5}$. De fideliteit ($F_\psi$) tussen de voorspelde en exacte golffunctie was 0,9999933.
• CD-Bonn (Impulsruimte): Dit was de meest complexe test. De relatieve fout ten opzichte van de numerieke benchmark was extreem laag: $-2,76 \times 10^{-7}$. De fideliteit was $1 - 10^{-9}$. De fout ten opzichte van de experimentele waarde was $-6,01 \times 10^{-4}$, wat aangeeft dat de fout voornamelijk in het interactiemodel zelf zit en niet in de PINN-methode.
• Trainingsgedrag: De training in impulsruimte vereiste meer epochs dan in coördinatenruimte, maar elke epoch was aanzienlijk sneller omdat de automatische differentiatie slechts één keer per epoch werd uitgevoerd (in plaats van vier keer bij de auxiliary output-methode).

Betekenis en Toekomstperspectief

De studie demonstreert dat Physics-Informed Neural Networks een krachtig alternatief kunnen zijn voor traditionele numerieke methoden in de kernfysica.

• Nauwkeurigheid: De methode bereikt een nauwkeurigheid die vergelijkbaar is met of beter is dan geavanceerde Monte Carlo-methoden, met relatieve fouten in de orde van $10^{-6}$ tot $10^{-7}$.
• Schalbaarheid: Hoewel de huidige implementatie beperkt is tot de radiale (1D) Schrödinger-vergelijking, pakt het de weg voor het oplossen van complexere systemen. De auteurs benadrukken dat de uitbreiding naar 3D-ruimte en het incorporeren van drie-nucleon interacties de volgende logische stappen zijn.
• Toepasbaarheid: Het framework is niet beperkt tot de grondtoestand; het kan theoretisch ook worden toegepast op aangeslagen toestanden en verstrooiingsproblemen, wat nieuwe mogelijkheden biedt voor theoretische fysica en het bestuderen van atoomkernen en moleculen.

Kortom, dit werk bewijst de haalbaarheid van het gebruik van PINNs voor microscopische nucleaire simulaties en opent de deur voor een nieuwe generatie machinelearning-gedreven benaderingen in de kernfysica.