Pendekatan Deep Learning Untuk Memprediksi Energi Keadaan Dasar Berdasarkan Potensial Osilator Harmonik Sederhana Dua Dimensi

Abstract

Penelitian ini mengusulkan pendekatan deep learning untuk memprediksi energi keadaan dasar elektron berdasarkan potensial osilator harmonik sederhana dua dimensi dari persamaan Schrödinger. Metode ini menggunakan jaringan saraf konvolusi untuk mempelajari hubungan antara potensial dan energi keadaan dasar. Dataset osilator harmonik sederhana dihasilkan dengan fungsi skalar dimana parameterparameter dihasilkan secara acak. Kinerja pendekatan yang diusulkan dibandingkan dengan metode numerik, seperti metode beda hingga. Hasil yang diperoleh menunjukkan bahwa pendekatan deep learning lebih efisien dan akurat dalam memprediksi energi keadaan dasar berdasarkan potensial osilator harmonik sederhana dua dimensi. Model mendapatkan mean squared error sebesar 6.37×10 -7 mHa pada data uji. Pendekatan ini memiliki potensi aplikasi dalam berbagai bidang, seperti ilmu material, komputasi kimia, dan mekanika kuantum.