量子科技中心_量科网

求解耦合微分方程组是科学计算的核心问题。虽然物理信息神经网络(PINNs)提供了一种无需网格的解决方案，但其标准架构难以应对耦合问题中固有的多目标优化冲突和局部最优陷阱。针对第一个问题，该研究团队提出了专为耦合微分方程组设计的分叉式物理信息神经网络(FPINN)框架。该架构采用共享基础网络与独立分支相结合的设计，通过隔离梯度路径来稳定训练过程。在模拟由耦合微分方程控制的非马尔可夫开放量子动力学时，研究团队证实了FPINN的有效性——这类问题中多目标冲突和局部最优陷阱常导致演化停滞。为解决第二个挑战，该工作引入了演化正则化损失函数，引导模型避开平凡解并确保物理意义明确的演化过程。在自旋玻色子模型和XXZ模型中，FPINN精确捕捉了量子相干复苏和信息回传等标志性非马尔可夫特征，性能显著优于标准PINNs。所提出的FPINN架构为解决耦合方程组提供了通用有效的框架，其应用范围涵盖从经典物理到现代人工智能的广阔领域，包括多体旋转动力学、多资产组合优化、化学反应动力学以及深度表征学习等场景。