一维量子液滴上的复杂动力学：通过时间分段PINNs
摘要：一维量子液滴的动力学和深度学习的着陆应用是近期研究的热点。在本研究中，我们提出了一种新颖的时域分段物理信息神经网络(PINNs)，通过求解相应的修正Gross-Pitaevskii方程来研究一维量子液滴上的复杂动力学。该网络模型在长时间域内的训练效果远优于传统的PINNs，并且它的每个子网络都是独立且高度可调的。通过使用训练点稀缺的时域分段PINNs，我们不仅研究了单个液滴的固有调制和两个液滴之间的碰撞，还激发了液滴背景上的呼吸子。有趣的是，从两个液滴碰撞的训练结果中我们得到了一个干涉图案，这是相干物质波相互作用的重要特征。数值结果表明，在非线性非可积系统中，不同的参数可能在相同的初始条件下导致完全不同的动态行为。我们的结果为通过深度学习技术实现单个液滴的固有调制、液滴碰撞和呼吸子激发提供了重要的指导。
作者：Juncai Pu, Yong Chen
论文ID：2305.01553
分类：Fluid Dynamics
分类简称：physics.flu-dyn
提交时间：2023-08-16