Aplicação de machine learning em dinâmica quântica não adiabática

Abstract

A inteligência artificial é uma ferramenta utilizada na otimização e resolução de problemas em diversos campos da pesquisa e indústria. No entanto, a concepção de um algoritmo de aprendizado de máquina ocupa uma pequena parte do tempo de desenvolvimento de um projeto, pois a maior parte é gasta no entendimento do problema e na produção dos dados. Devido a isso, os principais objetivos do presente trabalho foram estudar a dinâmica quântica não adiabática e fornecer os dados que seriam necessários para o desenvolvimento da inteligência artificial. O estudo da dinâmica molecular com transições eletrônicas foi o principal tópico de pesquisa desta tese. Aqui, destacamos a aproximação de Born-Oppenheimer e a função de Landau-Zener como fundamentais para descrever transições eletrônicas em regimes não adiabáticos. Então, usando uma metodologia desenvolvida pelo grupo DinEMol, examinamos transições eletrônicas em um sistema de poços duplo-quânticos acoplados. Neste estudo, descobrimos que esse sistema quântico é irreversível nos regimes de ressonância, mas reversível nos demais. E à medida que examinamos a flutuação do trabalho no regime de ressonância, também notamos que a energia foi usada para gerar coerência quântica. Como resultado, a função Landau-Zener, que descreve a probabilidade de transições em processos não adiabáticos, foi essencial para o aprendizado da rede neural. Além disso, o método Surface Hopping foi outra metodologia que foi utilizada e estudada, tanto em sistemas de dois níveis quanto em bases nitrogenadas. Isso forneceu informações sobre a importância da coerência espúria em regimes onde o gap de energia da banda é suficientemente pequeno, o que também foi essencial para o aprendizado da inteligência artificial. Utilizamos o método Surface Hopping em 200 sistemas de dois níveis, cada um com 45 configurações iniciais em trajetórias que evoluem por 4000 passos, para construir os dados que seriam usados como fonte de treinamento para a inteligência artificial desenvolvida. Desta forma, obtemos um total de 360.000 pontos de dados úteis para nossa rede neural, que compreende 17 camadas ocultas (5 Long Short-Term Memory, 5 Conv1d, 5 Average, 1 Flatten e 1 Dense) e cerca de 400.000 hiper-parâmetros . Aplicamos nossa inteligência artificial a cinco modelos que não foram usados para treinamento. Em dois deles obtivemos bons resultados, porém, nos outros três, os bons resultados foram apenas em algumas condições iniciais. Como resultado, concluímos que nossa rede neural reproduziu corretamente a dinâmica quântica de 52% de todas as condições iniciais propostas.

Abstract: Artificial intelligence is a tool for aiding in the optimization and resolution of issues in many different fields of research and industry. However, modelling a machine learning algorithm takes up a small portion of a project?s development time because the majority of it is spent on understanding the problem and producing the data that will be used for training. Due to this, the main goals of the current work were to study non-adiabatic quantum dynamics and to provide the data that would be required for the development of artificial intelligence. The study of molecular dynamics with electronic transitions was the primary research topic in this thesis. Here, we highlight the Born-Oppenheimer approximation and the Landau-Zener function as fundamental for describing electronic transitions in non-adiabatic regimes. Then, using a methodology developed by the DinEMol group, we examined electronic transitions in a system of coupled double-quantum wells. In this study, we discovered that this quantum system is irreversible in the resonance regimes but reversible in the others. And as we examine the work fluctuation in the resonance regime, we also see that energy has been used to generate quantum coherence. As a result, the Landau-Zener function, which describes the probability of transitions on non-adiabatic processes, was essential for artificial intelligence learning. In addition, the Surface Hopping method was another methodology that was used and studied, both in systems of two levels and in nitrogenous bases. This provided information on the importance of over-coherence in regimes where the band energy gap is su?iciently small which also was essential for artificial intelligence learning. We used the Surface Hopping method in 200 systems of two levels, each with 45 initial configurations and 4000 steps, to build the data that would be used as a source of training for our artificial intelligence. In this way, we obtain a total of 360.000 useful data points for our neural network, which comprises 17 hidden layers (5 Long Short-Term Memory, 5 Conv1d, 5 Average, 1 Flatten, and 1 Dense) and about 400.000 hyper-parameters. We apply our artificial intelligence to five models that weren?t used for training. In two of them, we got good results, however, under the other three, the good results were only in a few initial conditions. As a result, we concluded that our neural network was successful in learning non-adiabatic quantum dynamics.