| 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 |
|---|
