DOI: https://doi.org/10.1140/epjc/s10052-026-15756-3
تاريخ النشر: 2026-05-10
المؤلف: R. Li وآخرون
الموضوع الرئيسي: دراسات أبحاث الفيزياء النووية
نظرة عامة
في هذا البحث، يقدم المؤلفون طريقة جديدة لمعالجة مشاكل الحالات المرتبطة بجسيمين وثلاثة أجسام من خلال تقنيات التعلم الآلي غير الخاضع للإشراف، باستخدام الشبكات العصبية العميقة بشكل خاص. يتم تطبيق النهج على كل من الإمكانيات البسيطة والواقعية، حيث يتم حساب خصائص حالات الارتباط للديوتيرون والتريتون بنجاح ضمن إطار نظرية المجال الفعالة الشيرالية لتفاعلات النوكليون-نوكليون.
تظهر النتائج دقة كبيرة في التنبؤات المتعلقة بخصائص الحالات المرتبطة دون الاعتماد على افتراضات مسبقة بشأن سلوك دالة الموجة. هذه التطورات في منهجية الشبكات العصبية لا تعزز فقط فهم أنظمة الجسيمين، بل تمتد أيضًا إلى تفاعلات الثلاثة أجسام، مما قد يوفر رؤى جديدة حول تعقيدات مشاكل النوكليونات والهادروينات ذات الأجسام المتعددة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية دراسة أنظمة الجسيمات ذات الأجسام المتعددة، التي تتكون من هادرونات متعددة تتفاعل مع بعضها البعض، والتحديات المرتبطة بحل معادلة شرودنجر بدقة لهذه الأنظمة. تم استخدام طرق متنوعة، بما في ذلك طريقة التوسع الغاوسي (GEM)، ونظرية الوظائف الكثيفة، وطرق ما بعد هارتري-فوك، ولكنها غالبًا ما تواجه قيودًا في تحقيق دقة عالية. تم استخدام تقنيات متقدمة مثل طرق مونت كارلو الكمومية، وخاصة مونت كارلو التغيري، لمعالجة هذه التحديات، مع الاعتماد على التهيئة الأولية لدوال الموجة التجريبية.
تستكشف الورقة أيضًا دمج الذكاء الاصطناعي، وخاصة تقنيات التعلم العميق، في مجال الميكانيكا الكمومية. يتم تقديم نموذج الشبكة العصبية العميقة (DNN) كأداة واعدة لحل المشاكل التغيرية من خلال تحسين المعلمات لتقليل دالة الخسارة، التي تتوافق في هذا السياق مع توقع الطاقة ⟨H⟩. يوضح المؤلفون تطبيق نموذج DNN الخاص بهم على مشكلة الجسيمين ويمتد إلى مشكلة الثلاثة أجسام باستخدام نهج التوسع متعدد الأقطاب. يتم توضيح هيكل الورقة، مما يشير إلى أن الأقسام اللاحقة ستتناول الشبكات العصبية، وتطبيقاتها على أنظمة الأجسام المتعددة، والنتائج العددية، وملخص النتائج.
النتائج
في القسم المعنون “النتائج والمناقشات”، يتم تقديم النتائج المتعلقة بأنظمة الجسيمين. تكشف التحليلات عن رؤى كبيرة حول التفاعلات والديناميات لهذه الأنظمة، مع تسليط الضوء على تأثير المعلمات المختلفة على سلوكها. تشير النتائج إلى أن القوى الجاذبية بين الجسيمين يمكن نمذجتها بفعالية باستخدام الميكانيكا الكلاسيكية، مع معادلات مثل قانون نيوتن للجاذبية العالمية التي توفر تنبؤات دقيقة لمساراتها.
علاوة على ذلك، تستكشف الدراسة استقرار وظروف التوازن لأنظمة الجسيمين، موضحة أن تكوينات معينة تؤدي إلى مدارات مستقرة، بينما تؤدي أخرى إلى سلوك فوضوي. تمتد تداعيات هذه النتائج إلى السياقات الفلكية، حيث يعد فهم ديناميات تفاعلات الجسيمين أمرًا حاسمًا لتوقع حركة الأجرام السماوية. بشكل عام، تؤكد النتائج على أهمية النمذجة الرياضية في توضيح تعقيدات أنظمة الجسيمين.
مناقشة
في هذه الدراسة، يتم استخدام الشبكات العصبية العميقة (DNNs) لحساب دوال الموجة والطاقة للحالات المرتبطة لأنظمة الكم من الجسيمين والثلاثة أجسام. يتكون هيكل DNN من عدة طبقات من الخلايا العصبية الاصطناعية، حيث تتلقى طبقة الإدخال إحداثيات مكانية متقطعة، وتقوم طبقة الإخراج بتوقع دالة الموجة. يتم استخدام المبدأ التغيري لتقريب حلول الحالة الأساسية من خلال تقليل قيمة توقع الطاقة، التي تعمل كدالة خسارة لـ DNN. يتم إجراء التحسين باستخدام خوارزمية آدم، التي تعدل معدلات التعلم بكفاءة بناءً على تقديرات التدرج.
بالنسبة لنظام الجسيمين، يتم حل معادلة شرودنجر في إطار مركز الكتلة، مما يؤدي إلى معادلة شعاعية يتم تقطيعها للحصول على حلول عددية. تمتد الدراسة أيضًا إلى أنظمة الثلاثة أجسام، حيث تزداد التعقيدات بسبب الحاجة إلى إحداثيات جاكوبى والقنوات المرتبطة. يتنبأ DNN بنجاح بدوال الموجة والطاقة للحالة الأساسية لكل من المذبذب الهارموني المتساوي والتريتون، مما يظهر دقة عالية مقارنة بالطرق المعتمدة. تشير النتائج إلى أن نهج DNN هو أداة واعدة لحل المشاكل الميكانيكية الكمومية التي تتضمن جسيمات متعددة تتفاعل مع بعضها البعض، مما يوفر نتائج متسقة مع البيانات التجريبية والتقنيات الحسابية التقليدية.
DOI: https://doi.org/10.1140/epjc/s10052-026-15756-3
Publication Date: 2026-05-10
Author(s): R. Li et al.
Primary Topic: Nuclear physics research studies
Overview
In this research, the authors introduce a novel method for addressing two- and three-body bound state problems through unsupervised machine learning techniques, specifically utilizing deep neural networks. The approach is applied to both simple and realistic potentials, successfully calculating the properties of the deuteron and triton bound states within the framework of chiral effective field theory for nucleon-nucleon interactions.
The findings demonstrate significant accuracy in the predictions of bound state properties without relying on prior assumptions regarding the wave function’s behavior. This advancement in neural network methodology not only enhances the understanding of two-body systems but also extends to three-body interactions, potentially offering new insights into the complexities of nuclear and hadronic many-body problems.
Introduction
The introduction of this research paper highlights the significance of studying particle many-body systems, which consist of multiple interacting hadrons, and the challenges associated with accurately solving the Schrödinger equation for these systems. Various methods, including the Gaussian expansion method (GEM), density functional theory, and post-Hartree-Fock methods, have been employed, but they often face limitations in achieving high precision. Advanced techniques such as quantum Monte Carlo methods, particularly variational Monte Carlo, have been utilized to address these challenges, relying on the initial parametrization of trial wave functions.
The paper further explores the integration of artificial intelligence, specifically deep learning techniques, into the realm of quantum mechanics. The deep neural network (DNN) model is presented as a promising tool for solving variational problems by optimizing parameters to minimize a loss function, which in this context corresponds to the energy expectation ⟨H⟩. The authors demonstrate the application of their DNN model to the two-body problem and extend it to the three-body problem using a multipole-expansion approach. The structure of the paper is outlined, indicating that subsequent sections will delve into neural networks, their applications to many-body systems, numerical results, and a summary of findings.
Results
In the section titled “Results and Discussions,” the findings related to two-body systems are presented. The analysis reveals significant insights into the interactions and dynamics of these systems, highlighting the influence of various parameters on their behavior. The results indicate that the gravitational forces between the two bodies can be effectively modeled using classical mechanics, with equations such as Newton’s law of universal gravitation providing accurate predictions of their trajectories.
Furthermore, the study explores the stability and equilibrium conditions of two-body systems, demonstrating that certain configurations lead to stable orbits, while others result in chaotic behavior. The implications of these findings extend to astrophysical contexts, where understanding the dynamics of two-body interactions is crucial for predicting the motion of celestial bodies. Overall, the results underscore the importance of mathematical modeling in elucidating the complexities of two-body systems.
Discussion
In this study, deep neural networks (DNNs) are employed to compute wave functions and bound state energies for two- and three-body quantum systems. The DNN architecture consists of multiple layers of artificial neurons, where the input layer receives discretized spatial coordinates, and the output layer predicts the wave function. The variational principle is utilized to approximate the ground state solutions by minimizing the energy expectation value, which serves as the DNN’s loss function. The optimization is performed using the Adam algorithm, which efficiently adjusts learning rates based on gradient estimates.
For the two-body system, the Schrödinger equation is solved in the center-of-mass frame, leading to a radial equation that is discretized for numerical solutions. The study also extends to three-body systems, where the complexity increases due to the need for Jacobi coordinates and coupled channels. The DNN successfully predicts the ground state wave functions and energies for both the isotropic harmonic oscillator and the deuteron, demonstrating high accuracy compared to established methods. The results indicate that the DNN approach is a promising tool for solving quantum mechanical problems involving multiple interacting particles, providing results consistent with experimental data and traditional computational techniques.