评估基于非线性回归的机器学习模型解决耦合簇理论的性能
摘要：耦合簇方程的迭代动力学展示了簇振幅之间的协同关系。迭代方案可以看作是非线性耦合方程的多变量离散时间传播，由几个主要簇振幅所决定。这些主要振幅通常对应于只有几个价激发，而所有其他簇振幅则被囚禁并作为辅助变量行为。从几个试验迭代开始，我们采用监督机器学习策略建立主要和辅助振幅的映射。我们引入了一个机器学习耦合簇混合方案，其中耦合簇方程只用于确定主要振幅，从而节省了大量计算时间。另一方面，辅助振幅通过回归来确定。我们引入了几种不同的回归技术，将辅助振幅表示为主要振幅的函数。该方案已经应用于多个分子在平衡和伸展几何构型下，我们的方案，无论是使用哪种回归模型，都在不牺牲准确性的情况下显著减少了计算时间。
作者：Valay Agarawal, Samrendra Roy, Kapil K. Shrawankar, Mayank Ghogale, S Bharathi, Anchal Yadav, Rahul Maitra
论文ID：2109.05969
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2021-09-16