通过机器学习时间传播子加速电子动力学模拟
Accelerating Electron Dynamics Simulations through Machine Learned Time Propagators
AI总结：
本研究提出利用自回归神经算子作为时间传播子来加速基于实时TDDFT的电子动力学模拟，结合物理约束与高分辨率数据，模型在精度和速度上优于传统求解器，并有望实现激光辐照体系的实时建模。
摘要：
含时密度泛函理论（TDDFT）是一种广泛使用的方法，用于研究电子在各种外部扰动（如激光场）下的动力学。在本工作中，我们提出了一种新方法，利用自回归神经算子作为电子密度的时间传播子，来加速基于实时TDDFT的电子动力学模拟。通过利用物理先验约束和高分辨率训练数据，与传统数值求解器相比，我们的模型实现了更高的精度和计算速度。我们在一类一维双原子分子上展示了模型的有效性。该方法有望实现对具有不同实验参数的激光辐照分子和材料进行实时、在线建模。
英文摘要：
Time-dependent density functional theory (TDDFT) is a widely used method to investigate electron dynamics under various external perturbations such as laser fields. In this work, we present a novel approach to accelerate real time TDDFT based electron dynamics simulations using autoregressive neural operators as time-propagators for the electron density. By leveraging physics-informed constraints and high-resolution training data, our model achieves superior accuracy and computational speed compared to traditional numerical solvers. We demonstrate the effectiveness of our model on a class of one-dimensional diatomic molecules. This method has potential in enabling real-time, on-the-fly modeling of laser-irradiated molecules and materials with varying experimental parameters.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
