Téléchargement | - Voir la version finale : Deep learning and the Schrödinger equation (PDF, 2.7 Mio)
|
---|
DOI | Trouver le DOI : https://doi.org/10.1103/PhysRevA.96.042113 |
---|
Auteur | Rechercher : Mills, Kyle1; Rechercher : Spanner, Michael1; Rechercher : Tamblyn, Isaac1 |
---|
Affiliation | - Conseil national de recherches du Canada. Technologies de sécurité et de rupture
|
---|
Format | Texte, Article |
---|
Résumé | We have trained a deep (convolutional) neural network to predict the ground-state energy of an electron in four classes of confining two-dimensional electrostatic potentials. On randomly generated potentials, for which there is no analytic form for either the potential or the ground-state energy, the model was able to predict the ground-state energy to within chemical accuracy, with a median absolute error of 1.49 mHa. We also investigated the performance of the model in predicting other quantities such as the kinetic energy and the first excited-state energy. |
---|
Date de publication | 2017-10-18 |
---|
Maison d’édition | American Physical Society |
---|
Dans | |
---|
Données connexes | |
---|
Langue | anglais |
---|
Publications évaluées par des pairs | Oui |
---|
Numéro NPARC | 23002689 |
---|
Exporter la notice | Exporter en format RIS |
---|
Signaler une correction | Signaler une correction (s'ouvre dans un nouvel onglet) |
---|
Identificateur de l’enregistrement | 672e419f-a979-4a7a-8ed5-bcfa4586d306 |
---|
Enregistrement créé | 2017-12-20 |
---|
Enregistrement modifié | 2020-05-30 |
---|