量子科技中心_量科网

物理信息神经网络（PINNs）通过将深度学习与物理先验知识相结合，已成为研究高维非线性系统动力学的有力工具。该工作利用PINNs分析了二元玻色-爱因斯坦凝聚态（BEC）中量子液滴（QDs）的存在与演化，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过程。通过对比不同网络架构（包括训练时长、损失值和𝕃²误差），研究证明PINNs能精确预测量子液滴的特定动力学特性。此外，在参数发现任务中，该团队评估了PINNs对纯净训练数据和含1%随机噪声污染数据的处理能力，结果表明该方法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。