量子科技中心_量科网

融合深度学习与物理先验知识的物理信息神经网络（PINNs）已被证明是研究高维非线性系统动力学的有力工具。本研究采用PINNs分析了二元玻色-爱因斯坦凝聚体（BEC）中量子液滴（QDs）的存在与演化规律，揭示了该技术可准确预测量子液滴的结构特征、多峰分布及动力学行为，从而验证了多极量子液滴的稳定演化特性。通过比较不同网络架构（包括训练时长、损失值和𝕃𝟚误差），研究证实PINNs能精准预测量子液滴的特定动力学特征。此外，基于纯净训练数据和含1%随机噪声污染数据两种场景，研究通过参数发现任务评估了PINNs的鲁棒性。结果表明，PINNs在复杂量子系统建模及噪声环境下可靠参数提取方面具有显著优势。