逆问题继续引起对物理科学的巨大兴趣,特别是在控制非平衡系统中所需现象的背景下。在这项工作中,我们利用一系列深神经网络来预测时间依赖性的最佳控制场E(t),该领域可以在降低的量子量子动力学系统中实现所需的电子过渡。为了解决这个反问题,我们研究了两种独立的机器学习方法:(1)一种馈电神经网络,用于预测频域中功率谱的频率和振幅含量(即E(t))和(2)在时间域中预测E(T)的交叉校正神经网络方法(T)。这两种机器学习方法均提供了探测潜在量子动力学的互补方法,并且在准确预测最佳控制场的频率和强度方面表现出了令人印象深刻的性能。我们为这些深层神经网络提供详细的体系结构和超参数,以及每个机器学习模型的性能指标。从这些结果中,我们表明机器学习方法,尤其是深层神经网络,可以用作设计电磁场的一种经济高效的统计方法,以在这些量子动力学系统中实现所需的过渡。
主要关键词