DOI: https://doi.org/10.1007/s41365-026-01946-x
تاريخ النشر: 2026-04-10
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: دراسات أبحاث الفيزياء النووية
نظرة عامة
في هذا القسم، يقدم المؤلفون نهجًا متقدمًا في التعلم الآلي مصممًا لحساب الحالة الأساسية للأنظمة ثنائية الجسم. بناءً على عملهم السابق (نايتو، نايتو، وهشيموتو، فيزيكال ريفيو ريسيرش 5، 033189، 2023)، تتضمن الطريقة الجديدة درجات حرية الدوران والدوران المتساوي من خلال استخدام شبكة عصبية عميقة غير متصلة بالكامل جنبًا إلى جنب مع تقنيات التعلم الآلي غير المراقب.
تظهر فعالية هذه الطريقة المعززة من خلال حساب الحالة المقيدة الفريدة للديوتيرون، مؤكدة صحتها وإمكانية تطبيقها في الأنظمة الميكانيكية الكمومية. يمثل هذا التقدم تحسينًا ملحوظًا في النمذجة الحسابية لتفاعلات الجسمين ضمن إطار التعلم الآلي.
مقدمة
تتناول مقدمة هذه الورقة البحثية تحدي إيجاد الحالات الأساسية في أنظمة الكم المتعددة الأجسام، والتي تتكون من جزيئات متعددة تتفاعل مع بعضها البعض. تبرز أهمية الطرق الكمومية المتقدمة، مثل نظرية الوظائف الكثافة، والشبكات التنسورية، وطرق مونت كارلو التغيرية، التي تؤطر المشكلة كمسألة تحسين تغيري. تؤكد الورقة على الدور المتزايد لتقنيات التعلم الآلي غير المراقب (ML) في هذا السياق، لا سيما في استخدام هياكل ML كدوال موجية تجريبية لتقليل قيمة توقع الطاقة ⟨H⟩ المرتبطة بهاميلتوني النظام.
يشير المؤلفون إلى أن أساليب ML المختلفة، بما في ذلك آلات بولتزمان المقيدة وفرضية جاسترو-سلاتر، قد تم استخدامها لمعالجة كل من المشكلات الثابتة والديناميكية في الأنظمة الكمومية. كما يناقشون تطبيق ML في الفيزياء النووية، حيث كانت لها دور فعال في التنبؤ بخصائص الحالة الأساسية والمثارة. تقدم الورقة طريقة جديدة تمتد إلى العمل السابق من خلال دمج درجات حرية الدوران والدوران المتساوي في الحسابات الخاصة بأنظمة الجسمين، مع التركيز في البداية على الديوتيرون كحالة اختبار. هذه الطريقة مميزة عن الطرق السابقة حيث إنها لا تتطلب تدريبًا مسبقًا لبارامترات الشبكة العصبية العميقة، مما يضمن التقارب دون الإفراط في التخصيص. ستتناول الأقسام التالية من الورقة الإطار النظري، ونموذج الشبكة العصبية المقترح، ونتائج حسابات الديوتيرون.
النتائج
تظهر نتائج الدراسة حول الديوتيرون فعالية نهج الشبكة العصبية العميقة (DNN) في حساب خصائص الحالة الأساسية. تبدأ التحليلات بالنظر في الزخم الزاوي المداري \( L \) الذي يتراوح من 0 إلى 4 والدوران \( S \) من 0 إلى 1، مما يؤدي إلى 18 حالة ممكنة. تحدد الشبكة العصبية العميقة، التي تتكون من طبقتين مع 16 وحدة في كل منهما، أن فقط حالات \( ^3S_1 \) و \( ^3D_1 \) تساهم بشكل كبير في الحالة الأساسية، مما يؤكد النتائج المعروفة. توفر كل من الشبكات العصبية العميقة غير المتصلة بالكامل والمتصلة بالكامل دقة قابلة للمقارنة، مع خطأ نسبي قدره 0.05% في طاقة الحالة الأساسية مقارنة بالقيم المرجعية من حسابات مونت كارلو لدالة غرين.
تستخدم الحسابات اللاحقة بنية شبكة عصبية عميقة مصقولة مع ثلاث طبقات من 16 وحدة، باستخدام صندوق أكبر بحجم 30 فيمتومتر و2000 نقطة شبكة. تظهر الطاقات المحسوبة باستخدام إمكانيات مختلفة (AV18، AV8’، وAV4′) دقة عالية، مع أخطاء ضمن 2 كيلو إلكترون فولت (0.1%) لـ AV18 وAV8′ مقارنة بالقيم المرجعية، بينما ينتج AV4′ خطأ بنسبة 1% بسبب حدوده المحدودة. تتماشى دوال الموجة الناتجة عن الشبكة العصبية العميقة بشكل وثيق مع النتائج المرجعية، ويظهر التحليل أن حجم شبكة من 500 نقطة يكفي للحفاظ على خطأ نسبي أقل من 1%. علاوة على ذلك، فإن زيادة تعقيد هيكل الشبكة لا تعزز الدقة، حيث تصبح التقلبات في نتائج التدريب أكثر وضوحًا، مما يشير إلى عتبة تتجاوزها التعقيدات الإضافية لا تؤدي إلى تحسينات متناسبة في الدقة.
المناقشة
في هذا القسم، يناقش المؤلفون المنهجية لدراسة أنظمة الجسمين الذاتية المقيدة مع درجات حرية الدوران والدوران المتساوي باستخدام إطار هاميلتوني. يتم التعبير عن الهاميلتوني من حيث الحركة النسبية، مع عزل حركة مركز الكتلة، مما يبسط المشكلة إلى نظام جسم واحد. يتم نمذجة التفاعل بين الجزيئات باستخدام إمكانيات أرجون V18، التي تتضمن اعتماد الشحنة وعمليات مختلفة تأخذ في الاعتبار تعقيدات التفاعلات النووية. يوضح المؤلفون بناء الهاميلتوني للحركة النسبية، مع التأكيد على استخدام التوافقيات الكروية لتوسيع دالة الموجة وأهمية العدد الكمومي المداري.
تقدم الورقة أيضًا نهج شبكة عصبية عميقة (DNN) لتمثيل دوال الموجة وحساب طاقة الحالة الأساسية للديوتيرون. تم تصميم DNN لتوليد دوال موجة جزئية بناءً على الإحداثيات المكانية المتقطعة، مع اشتقاق دالة الخسارة من الهاميلتوني. يوضح المؤلفون أن بنية DNN غير المتصلة بالكامل تلتقط بفعالية الميزات الأساسية لدالة الموجة، محققة نتائج متسقة مع القيم المرجعية. يبرزون كفاءة طريقتهم، مشيرين إلى أن شبكة صغيرة نسبيًا يمكن أن تنتج تمثيلات دقيقة، ويقترحون امتدادات محتملة لهذا النهج إلى أنظمة N-body الأكثر تعقيدًا ومعادلة ديراك.
DOI: https://doi.org/10.1007/s41365-026-01946-x
Publication Date: 2026-04-10
Author(s): Zhenyun Du et al.
Primary Topic: Nuclear physics research studies
Overview
In this section, the authors introduce an advanced machine learning approach designed to compute the ground state of two-body systems. Building upon their previous work (Naito, Naito, and Hashimoto, Phys. Rev. Research 5, 033189, 2023), the new method incorporates spin and isospin degrees of freedom by utilizing a non-fully connected deep neural network alongside unsupervised machine learning techniques.
The effectiveness of this enhanced method is demonstrated through the calculation of the unique bound state of the deuteron, confirming its validity and potential applicability in quantum mechanical systems. This advancement signifies a notable improvement in the computational modeling of two-body interactions within the framework of machine learning.
Introduction
The introduction of this research paper addresses the challenge of finding ground states in quantum many-body systems, which consist of multiple interacting particles. It highlights the significance of advanced quantum methods, such as density functional theory, tensor networks, and variational Monte Carlo methods, which frame the problem as a variational optimization task. The paper emphasizes the growing role of unsupervised machine learning (ML) techniques in this context, particularly in using ML structures as trial wave functions to minimize the energy expectation value ⟨H⟩ associated with the system’s Hamiltonian.
The authors note that various ML approaches, including restricted Boltzmann machines and the Jastrow-Slater ansatz, have been employed to tackle both static and dynamic problems in quantum systems. They also discuss the application of ML in nuclear physics, where it has been instrumental in predicting ground and excited state properties. The paper introduces a novel method that extends previous work by incorporating spin and isospin degrees of freedom into the calculations for two-body systems, focusing initially on the deuteron as a test case. This approach is distinct from earlier methods as it does not require pre-training of the deep neural network parameters, thus ensuring convergence without overfitting. The subsequent sections of the paper will elaborate on the theoretical framework, the proposed neural network model, and the results of the deuteron calculations.
Results
The results of the study on deuteron demonstrate the effectiveness of a deep neural network (DNN) approach in calculating the ground state properties. The analysis begins with the consideration of orbital angular momentum \( L \) ranging from 0 to 4 and spin \( S \) from 0 to 1, leading to 18 possible states. The DNN, comprising two layers with 16 units each, successfully identifies that only the \( ^3S_1 \) and \( ^3D_1 \) states significantly contribute to the ground state, corroborating established findings. Both non-fully connected and fully connected DNNs yield comparable accuracy, with a relative error of 0.05% in ground-state energy compared to benchmark values from Green’s function Monte Carlo calculations.
Subsequent calculations utilize a refined DNN architecture with three layers of 16 units, employing a larger 30 fm box and 2000 mesh points. The energies calculated using various potentials (AV18, AV8′, and AV4′) show high accuracy, with errors within 2 keV (0.1%) for AV18 and AV8′ compared to benchmarks, while AV4′ yields a 1% error due to its limited terms. The DNN-generated wave functions align closely with benchmark results, and the analysis reveals that a mesh size of 500 points suffices for maintaining less than 1% relative error. Furthermore, increasing the complexity of the network structure does not enhance precision, as fluctuations in training results become more pronounced, indicating a threshold beyond which additional complexity does not yield proportional improvements in accuracy.
Discussion
In this section, the authors discuss the methodology for studying self-bound two-body systems with spin and isospin degrees of freedom using a Hamiltonian framework. The Hamiltonian is expressed in terms of relative motion, isolating the center-of-mass motion, which simplifies the problem to a one-body system. The interaction between particles is modeled using the Argonne V18 potential, which incorporates charge dependence and various operators that account for the complexities of nuclear interactions. The authors detail the construction of the Hamiltonian for the relative motion, emphasizing the use of spherical harmonics for wave function expansion and the significance of the orbital quantum number.
The paper further introduces a deep neural network (DNN) approach to represent the wave functions and calculate the ground state energy of the deuteron. The DNN is designed to generate partial wave functions based on discretized spatial coordinates, with the loss function derived from the Hamiltonian. The authors demonstrate that their non-fully-connected DNN architecture effectively captures the essential features of the wave function, achieving results consistent with benchmark values. They highlight the efficiency of their method, noting that a relatively small network can yield accurate representations, and suggest potential extensions of this approach to more complex N-body systems and the Dirac equation.