DOI: https://doi.org/10.1103/ygkf-llyp
PMID: https://pubmed.ncbi.nlm.nih.gov/42139468
تاريخ النشر: 2026-04-14
المؤلف: Pengsheng Wen وآخرون
الموضوع الرئيسي: دراسات أبحاث الفيزياء النووية
نظرة عامة
في هذه الدراسة، يتناول المؤلفون التحدي المتمثل في العثور على دوال موجية تجريبية عالية الجودة لحسابات مونت كارلو الكمومية (QMC) للنوى الخفيفة، مع التأكيد على الحاجة إلى فهم دقيق للتفاعلات بين الجسيمات وموارد حسابية كبيرة. يقترحون نهجًا جديدًا يستخدم الشبكات العصبية لإنشاء دوال موجية تعبيرية تتضمن بفعالية كل من التفاعلات الثنائية والتفاعلات متعددة الجسيمات، لا سيما في الأنظمة التي تحتوي على قوى ثلاثية الجسيمات.
مع التركيز على النوى ذات العدد الكتلي A = 3، يظهر الأسلوب القائم على الشبكات العصبية فعالية ملحوظة في تقريب طاقة الحالة الأساسية. على وجه التحديد، يحقق طاقة حالة أساسية لثلاثي الهيدروجين ($^3$H) تكون ضمن 0.45% من القيمة التي تم الحصول عليها من حسابات مونت كارلو باستخدام دالة غرين (GFMC)، باستخدام التفاعل الشيرالي الأضعف. يمثل هذا تحسينًا كبيرًا مقارنة بأساليب مونت كارلو التقليدية، التي تظهر انحرافًا قدره 3.7%. تسلط هذه النتائج الضوء على إمكانيات الشبكات العصبية في تعزيز دقة دوال الموجة التجريبية في حسابات QMC، مما يمهد الطريق لدراسات أكثر دقة للنوى الخفيفة.
النتائج
في هذه الدراسة، يستكشف المؤلفون التفاعلات الشيرالية المحلية N2LO، مع التركيز على معلمين رئيسيين: معلمة القطع $\Lambda$، التي تنظم مخططات حلقة تبادل البيون، ومعلمة التمويه $R_0$، التي تعدل الجهد بين النوكليونات. يتم تدريب الشبكة العصبية باستخدام أضعف التفاعلات الشيرالية N2LO، مع تضمين كل من القوى الثنائية والثلاثية، مع ضبط معلمات مقياس الدقة عند $(R_0, \Lambda) = (1.2 \text{ fm}, 1 \text{ GeV})$. تظهر عملية التدريب تقاربًا سريعًا نحو طاقة الحالة الأساسية، حيث تحقق الشبكة العصبية طاقة قدرها $E = -8.2 \pm 0.3 \text{ MeV}$، متفوقة على نهج مونت كارلو المتغير المعلم، الذي أسفر عن $E = -7.9 \pm 0.1 \text{ MeV}$.
أدى المزيد من الضبط الدقيق للشبكة العصبية باستخدام جدول زمني لمعدل التعلم إلى تحسين طاقة الحالة الأساسية إلى $E = -8.30 \pm 0.09 \text{ MeV}$. تكشف دوال الارتباط أن احتمال العثور على جسيمين قريبين من بعضهما منخفض بسبب الطبيعة الطاردة للتفاعلات النووية قصيرة المدى، كما يتضح من سلوك دالة الارتباط $f(c)_{ij}$. تظهر هذه الدالة اعتمادًا قويًا على وجود الجسيمات الثالثة، مما يبرز تأثير الجسيمات المحيطة على التفاعلات. تؤكد النتائج فعالية نهج الشبكة العصبية في التقاط التفاعلات النووية المعقدة وتحسين تقديرات الطاقة في الأنظمة متعددة الجسيمات.
المناقشة
في هذا القسم، يناقش المؤلفون أداء نماذج الشبكة العصبية الخاصة بهم في تقدير طاقات الحالة الأساسية للنوى الخفيفة، مع التركيز بشكل خاص على نظائر الهيدروجين، 3H و 2H. باستخدام شبكة عصبية مدربة جيدًا بمعدل تعلم لطيف، حققوا طاقة متوسطة قدرها \( E = -8.30 \pm 0.09 \, \text{MeV} \) لثلاثي الهيدروجين، والتي تتماشى بشكل وثيق مع نتيجة دالة غرين لمونت كارلو (GFMC) \( E = -8.34 \, \text{MeV} \)، مع اختلاف قدره 0.45% فقط. تشير عدم اليقين الصغيرة البالغة 0.09 ميغا إلكترون فولت إلى قوة عملية تقدير الطاقة. تستكشف الدراسة أيضًا قدرة الشبكة العصبية على نمذجة دوال الموجة النووية القليلة الجسيمات مع إمكانيات شيرالية متغيرة، مما يكشف أن التفاعل ذو النواة اللينة (مع \( R_0 = 1.2 \, \text{fm} \)) ينتج عنه أدق النتائج، مع انحرافات من نتائج GFMC لثلاثي الهيدروجين و2H تكون ضئيلة.
تشير النتائج إلى أن طريقة مونت كارلو المتغيرة باستخدام الشبكة العصبية (VMC) تلتقط بفعالية تعقيدات التفاعلات النووية، لا سيما عند التعامل مع الإمكانيات ذات النواة اللينة. يشير المؤلفون إلى أن توقعات الشبكة العصبية لكل من 3H و2H تقع ضمن نطاقات الخطأ من سيغما الواحدة لنتائج GFMC، مما يوضح موثوقية الطريقة. كما يبرزون قيود دالة الموجة الحالية، التي تحافظ على تناظر الأيزوبين، مما قد يؤثر على الدقة في أنظمة مثل 3He بسبب التفاعلات الكهربية. يقترح المؤلفون العمل المستقبلي لتوسيع الإطار ليشمل دوال ارتباط إضافية ولتوسيع الطريقة لتشمل نوى أكبر من خلال استخدام الشبكات العصبية لبناء محددات سلاتر، مما يعزز تعبير دوال الموجة الناتجة.
DOI: https://doi.org/10.1103/ygkf-llyp
PMID: https://pubmed.ncbi.nlm.nih.gov/42139468
Publication Date: 2026-04-14
Author(s): Pengsheng Wen et al.
Primary Topic: Nuclear physics research studies
Overview
In this study, the authors address the challenge of finding high-quality trial wave functions for quantum Monte Carlo (QMC) calculations of light nuclei, emphasizing the need for a nuanced understanding of interparticle correlations and significant computational resources. They propose a novel approach utilizing neural networks to create expressive wave function Ansätze that effectively incorporate both pairwise and many-body interactions, particularly in systems with three-body forces.
Focusing on nuclei with mass number A = 3, the neural network-based method demonstrates remarkable efficacy in approximating the ground-state energy. Specifically, it achieves a ground-state energy for tritium ($^3$H) that is within 0.45% of the value obtained from Green’s Function Monte Carlo (GFMC) calculations, using the softest chiral interaction. This represents a significant improvement over traditional variational Monte Carlo methods, which show a deviation of 3.7%. These findings highlight the potential of neural networks to enhance the accuracy of trial wave functions in QMC calculations, paving the way for more precise studies of light nuclei.
Results
In this study, the authors investigate local N2LO chiral interactions, focusing on two key parameters: the cutoff parameter $\Lambda$, which regulates pion-exchange loop diagrams, and the smearing parameter $R_0$, which modifies the nucleon-nucleon potential. The neural network is trained using the softest N2LO chiral interactions, incorporating both two-body and three-body forces, with resolution-scale parameters set at $(R_0, \Lambda) = (1.2 \text{ fm}, 1 \text{ GeV})$. The training process demonstrates a rapid convergence toward the ground-state energy, with the neural network achieving an energy of $E = -8.2 \pm 0.3 \text{ MeV}$, outperforming the parameterized Variational Monte Carlo (VMC) approach, which yielded $E = -7.9 \pm 0.1 \text{ MeV}$.
Further fine-tuning of the neural network using a learning-rate scheduler resulted in an improved ground-state energy of $E = -8.30 \pm 0.09 \text{ MeV}$. The correlation functions reveal that the probability of finding two particles closely separated is low due to the repulsive nature of short-range nuclear interactions, as indicated by the behavior of the correlation function $f(c)_{ij}$. This function exhibits a strong dependence on the presence of third particles, highlighting the influence of surrounding particles on the interactions. The findings underscore the effectiveness of the neural network approach in capturing complex nuclear interactions and improving energy estimations in many-body systems.
Discussion
In this section, the authors discuss the performance of their neural network models in estimating the ground state energies of light nuclei, specifically focusing on the isotopes of hydrogen, 3H and 2H. Utilizing a well-trained neural network with a gentle learning rate, they achieved an average energy of \( E = -8.30 \pm 0.09 \, \text{MeV} \) for 3H, which closely aligns with the Green’s Function Monte Carlo (GFMC) result of \( E = -8.34 \, \text{MeV} \), differing by only 0.45%. The small uncertainty of 0.09 MeV indicates the robustness of the energy estimation process. The study further explores the neural network’s capability to model nuclear few-body wavefunctions with varying chiral potentials, revealing that the soft-core interaction (with \( R_0 = 1.2 \, \text{fm} \)) yields the most accurate results, with deviations from GFMC results for 3H and 2H being minimal.
The findings suggest that the neural network variational Monte Carlo (VMC) method effectively captures the complexities of nuclear interactions, particularly when dealing with soft-core potentials. The authors note that the neural network predictions for both 3H and 2H fall within the one-sigma error bands of GFMC results, demonstrating the method’s reliability. They also highlight the limitations of their current wave function Ansatz, which preserves isospin symmetry, potentially affecting the accuracy for systems like 3He due to Coulomb interactions. The authors propose future work to expand the framework to include additional correlation functions and to extend the method to larger nuclei by employing neural networks to construct Slater determinants, thereby enhancing the expressiveness of the wave functions generated.