Efficient numerical method for predicting nonlinear optical spectroscopies of open systems
Notice bibliographique
Résumé
Nonlinear optical spectroscopies are powerful tools for probing quantum dynamics in molecular and nanoscale systems. While intuition about ultrafast spectroscopies is often built by considering impulsive optical pulses, actual experiments have finite-duration pulses, which can be important for interpreting and predicting experimental results. We present a new freely available open source method for spectroscopic modeling, called Ultrafast Ultrafast (UF2) spectroscopy, which enables computationally efficient and convenient prediction of nonlinear spectra, such as treatment of arbitrary finite duration pulse shapes. UF2 is a Fourier-based method that requires diagonalization of the Liouvillian propagator of the system density matrix. We also present a Runge–Kutta–Euler (RKE) direct propagation method. We include open system dynamics in the secular Redfield, full Redfield, and Lindblad formalisms with Markovian baths. For non-Markovian systems, the degrees of freedom corresponding to memory effects are brought into the system and treated nonperturbatively. We analyze the computational complexity of the algorithms and demonstrate numerically that, including the cost of diagonalizing the propagator, UF2 is 20–200 times faster than the direct propagation method for secular Redfield models with arbitrary Hilbert space dimension; it is similarly faster for full Redfield models at least up to system dimensions where the propagator requires more than 20 GB to store; and for Lindblad models, it is faster up to Hilbert space dimension near 100 with speedups for small systems by factors of over 500. UF2 and RKE are part of a larger open source Ultrafast Software Suite, which includes tools for automatic generation and calculation of Feynman diagrams.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».