How Sophisticated Are Neural Networks Needed to Predict Long-Term Nonadiabatic Dynamics?
Notice bibliographique
Résumé
Nonadiabatic dynamics is key for understanding solar energy conversion and photochemical processes in condensed phases. This often involves the non-Markovian dynamics of the reduced density matrix in open quantum systems, where knowledge of the system's prior states is necessary to predict its future behavior. In this study, we explore time-series machine learning methods for predicting long-time nonadiabatic dynamics based on short-time input data, comparing these methods with the physics-based transfer tensor method (TTM). To understand the impact of memory time on these approaches, we demonstrate that non-Markovian dynamics can be represented as a linear map within the Nakajima-Zwanzig generalized quantum master equation framework. We further propose a practical method to estimate the effective memory time, within a given tolerance, for reduced density matrix propagation. Our predictive models are applied to various physical systems, including spin-boson models, multistate harmonic (MSH) models with Ohmic spectral densities and for a realistic organic photovoltaic system composed of a carotenoid-porphyrin-fullerene triad dissolved in tetrahydrofuran. Results indicate that the simple linear-mapping fully connected neural network (FCN) outperforms the more complicated nonlinear-mapping networks including the gated recurrent unit (GRU) and the convolutional neural network/long short-term memory (CNN-LSTM) in systems with short memory times, such as spin-boson and MSH models. Conversely, the nonlinear CNN-LSTM and GRU models yield higher accuracy in the triad MSH systems characterized by long memory times. These findings offer valuable insights into the role of effective memory time in non-Markovian quantum dynamics, providing practical guidance for the application of time-series machine learning models to complex chemical systems.
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) | 0,000 | 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 ».