MLQD: A package for machine learning-based quantum dissipative dynamics

doi:10.1016/j.cpc.2023.108940

2024-01-01

Arif Ullah *

Pavlo O. Dral *

DOI：10.1016/j.cpc.2023.108940

原文链接

查看原文

摘要

En 中文

机器学习已成为研究开放量子系统的量子耗散动力学的有前途的范例。为了便于使用我们最近发布的基于ML的量子耗散动力学方法，在这里我们提供一个开源Python包MLQD (https:// github .com/arif-phychem/MLQD)，它目前支持三种基于ML的量子动力学方法: (1) 递归动力学与核岭回归 (KRR) 方法，(2) 非递归基于人工智能的量子动力学 (AIQD) 方法和 (3) 极快的单次轨迹学习 (OSTL) 方法，其中AIQD和OSTL都使用卷积神经网络 (CNN)。本文介绍了MLQD软件包的功能，技术细节，超参数的优化，结果的可视化以及MLQD对两个广泛研究的系统的适用性的演示，即自旋玻色子模型和Fenna-matthews-olson (FMO) 复杂。为了使MLQD更加用户友好和可访问，我们在Python软件包索引 (PyPi) 平台上提供了它，并且可以通过pip install mlqd进行安装。此外，它还可以通过MLATOM包 (http:// MLatom .com) 的接口在XACS云计算平台 (https:// XACScloud .com) 上使用。程序摘要程序标题: MLQD CPC库链接到程序文件: https:// doi。org /10 .17632/yxp37csy5x.1开发人员的存储库链接: https:// github。com/arif-phychem/MLQD代码海洋胶囊: https:// codeocean。com /capsule /5563143 /tree许可条款: Apache软件许可2.0编程语言: Python 3.0补充资料: 基于Jupyter笔记本的教程外部例程/库: Tensorflow，scikit-learn，Hyperopt，Matplotlib，MLatom问题的本质: 量子耗散动力学与机器学习方法的快速传播。解决方法: 我们开发了MLQD作为一个综合框架，简化并支持我们最近发布的基于机器学习的方法的实施，以有效传播量子耗散动力学。该框架包括 :( 1) 具有核岭回归 (KRR) 方法的递归动力学，以及利用卷积神经网络 (CNN) 的非递归方法，即 (2) 基于人工智能的量子动力学 (AIQD)，以及 (3) oneshot轨迹学习 (OSTL)。其他评论，包括限制和不寻常的功能:

Keyword:

Quantum dissipative dynamics

Open quantum systems

Machine learning

FMO complex

Exciton energy transfer

Spin-boson model