L’emergere del comportamento classico dalla meccanica quantistica come quello di Planck
constant $\hbar$ approaches zero remains a fundamental challenge in physics
[1-3]. Questo articolo introduce un nuovo approccio che impiega reti neurali profonde per
apprendere direttamente la mappatura dinamica dai parametri iniziali dello stato quantistico (per
Pacchetti d'onda gaussiani dell'oscillatore armonico unidimensionale) and $\hbar$
ai parametri della funzione di Wigner evoluta nel tempo nello spazio delle fasi [4-6]. UN
era un set di dati completo di funzioni di Wigner evolute nel tempo derivate analiticamente
generato, e una rete neurale feedforward profonda con un'architettura migliorata
è stato addestrato con successo per questo compito di previsione, conseguimento di una formazione finale
perdita di ~ 0.0390. La rete dimostra un significativo e precedente
capacità non realizzata di catturare accuratamente la mappatura sottostante del Wigner
dinamica delle funzioni. Ciò consente un'emulazione diretta del classico quantistico
transition by predicting the evolution of phase-space distributions as $\hbar$
è sistematicamente vario. Le implicazioni di questi risultati per fornire a
vengono discusse le nuove lenti computazionali sull'emergere della classicità,
evidenziando il potenziale di questo approccio di apprendimento diretto nello spazio delle fasi per
studio degli aspetti fondamentali della meccanica quantistica. Questo lavoro presenta a
progresso significativo rispetto agli sforzi precedenti incentrati sull’apprendimento
mappature osservabili [7], offrendo un percorso diretto attraverso lo spazio delle fasi
rappresentazione.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: