Physics-Informed Classical and Quantum Neural Networks for One-Dimensional Schrodinger Eigenvalue Problems
本文证明了物理信息驱动的经典与量子神经网络可以在无需监督数据的情况下，准确求解谐振子势与方势下的的一维定态薛定谔本征值问题，且与经典方法及传统数值求解器相比，量子方法在处理高激发态时表现出更优越的收敛可靠性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
我们理解宇宙的核心在于一个单一且顽固的挑战：预测像电子这样微小的粒子如何运动并围绕原子沉降。在微观世界中，粒子并不遵循行星或棒球那样平滑、可预测的路径。相反，它们以概率波的形式存在，由被称为薛定谔方程的数学规则来描述。这条规则能精确告诉我们粒子可能出现的位置以及它拥有多少能量，但求解该方程是极其困难的。对于简单、理想化的情形，科学家们近一个世纪以来早已知晓答案。但对于构成真实物质的复杂、混乱的系统，这些方程变得如此错综复杂，以至于即使是最强大的超级计算机也难以找到解。正是在这种背景下，新一代工具正在介入，它们借鉴人工智能的思想来理清亚原子世界的物理逻辑。
来自巴基斯坦和墨西哥的研究人员最近在三个作为任何新求解器训练场的经典问题上，测试了这两类新工具。他们想看看一个标准的计算机程序和一个专门的量子计算机程序是否都能在没有被喂入单个正确答案示例的情况下，学会求解薛定谔方程。这些程序并非通过记忆数据进行学习，而是直接被教授了物理定律。它们被赋予了游戏的规则——即支配粒子行为的方程、粒子必须存在于空间某处的要求，以及不同能量状态不能重叠的规则——并被要求推导出其余部分。其目标是观察这些“物理信息驱动”的网络能否精确地找到被困在盒子中或在平滑曲线中运动的粒子的精确能级和波函数形状，并与已知答案高度匹配。
研究团队专注于物理学家用于测试方法的三个特定场景。首先是谐振子，这是一个描述粒子在平滑、弯曲的山谷中前后弹跳的模型。这是一个温和的问题，粒子的波形变化较为平缓。接下来，他们研究了无限深势阱，即一个墙壁极高以至于粒子无法逃脱的盒子，这迫使波函数在边缘处骤降为零。最后，他们检查了有限深势阱，即一个具有有限高度墙壁的盒子，允许粒子轻微地泄漏到禁区之外。这三种情况涵盖了广泛的难度梯度：平滑曲线、尖锐棱角，以及粒子逃离束缚这一棘手问题。
为了解决这些问题，研究人员构建了两种不同类型的学习系统。第一种是经典神经网络，这是一种旨在模仿生物神经元连接与放电方式的标准计算机程序。第二种是量子神经网络，它运行在模拟的量子计算机上。这个第二系统利用了量子力学的奇异特性，如叠加和纠缠，以同时探索广阔的可能性图景。这两个系统都是使用一种复合评分机制进行训练的，该机制会对违反任何物理规则的行为进行惩罚。如果波函数不满足薛定谔方程，得分就会上升；如果波函数没有位于盒子内部，或者两个不同的能量状态看起来过于相似，得分也会上升。系统通过数千次的尝试来调整其内部参数以降低这一得分，从而有效地实现自我教学。
结果显示，两种方法都表现得非常出色。对于平滑的谐振子，经典网络和量子网络找到的前四个能级的误差极小，仅为百万分之几。它们几乎完美地还原了精确的波形，与已知的数学解相吻合。当研究人员转向势阱问题时——即墙壁变得尖锐且物理特性更加突变的场景——网络依然保持了高保真度。即使在势能发生瞬时变化的区域，它们也能恢复正确的能级和波函数，而这往往会让依赖于将空间划分为刚性网格的传统数值方法陷入困境。
当研究人员观察更困难的高能态时，出现了一个关键差异。随着粒子变得更加活跃，进入具有更复杂波模式的状态时，经典网络开始显得吃力。它发现自己很难在复杂的可能性景观中寻找到最优解，经常陷入局部误差。然而，量子网络在处理这些高能态时表现得更加可靠。由于量子电路可以跨越其整个系统探索连续的变换范围，因此即使在问题变得更加复杂时，它仍能保持寻找正确解的能力。这表明，虽然经典计算机可以非常精确地解决简单的量子问题，但随着物理系统复杂度的增加，量子系统可能会展现出独特的优势。
这项研究证实，这些物理信息驱动的方法是求解量子问题的一种可行途径，且无需大量的预计算数据。通过将物理定律直接嵌入学习过程，这些网络避免了对传统方法所需的刚性网格的依赖，使其天然适用于空间难以进行整齐划分的问题。虽然目前的测试局限于已知答案的一维系统，但两种版本（经典与量子）的成功都指向了一个未来：这些工具将能够应对现实材料和分子中存在的复杂多维系统。特别是量子方法所展现出的鲁棒性，暗示了其在处理量子物理中最具挑战性的计算方面正具备日益增长的能力，为理解自然界的构建模块提供了一条新的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。