11、量子场论中的转移矩阵与哈密顿量

量子场论中的转移矩阵与哈密顿量

1. 从拉格朗日形式到量子哈密顿形式的过渡

在量子场论中,从之前所考虑的拉格朗日形式过渡到量子哈密顿形式,可以借助转移矩阵来实现。对于在欧几里得时间方向上具有 $N_{\tau}$ 个格点的格点模型,配分函数可以重新表示为:
[
\int = \Phi = - \Phi_{\tau} \mathcal{T} Z e \text{Tr}( ). \quad (9.1)
]
通过取各向异性极限,即当时间链或时空面元上的 $\beta$ 变得很大时,转移矩阵可用于定义哈密顿量,得到如下形式的表达式:
[
\propto - \tau \mathcal{T} \mathcal{H} e( ), \quad (9.2)
]
其中 $a_{\tau}$ 是时间方向上的格点间距。因此,哈密顿量将继承转移矩阵的性质。在实际操作中,使用张量形式可以轻松构建转移矩阵,基本思路是推迟对与时间方向的链或一个时间方向和一个空间方向的面元相关的指标的求和。接下来将分别讨论自旋和规范的情况,首先探讨 $O(2)$ 和 $U(1)$ 的情形。

2. 自旋模型的转移矩阵

2.1 转移矩阵的构建

对于自旋模型,转移矩阵是通过对一个时间切片上所有张量的空间指标进行求迹来构建的(如图 9.1 所示,分别为二维和三维的情况)。在周期边界条件(PBC)或开放边界条件(OBC)下,指标不会在空间方向上“泄漏”。根据全局守恒定律,进入时间切片的时间指标之和等于出去的指标之和,这个守恒量可以被识别为初始态和末态的电荷。转移矩阵与计算进出指标之和的电荷算符对易。

2.2

内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合Koopman算子理论递归神经网络(RNN)的数据驱动建模方法,旨在对非线性纳米定位系统进行有效线性化建模,并实现高精度的模型预测控制(MPC)。该方法利用Koopman算子将非线性系统映射到高维线性空间,通过递归神经网络学习系统的动态演化规律,构建可解释性强、计算效率高的线性化模型,进而提升预测控制在复杂不确定性环境下的鲁棒性跟踪精度。文中给出了完整的Matlab代码实现,涵盖数据预处理、网络训练、模型验证MPC控制器设计等环节,具有较强的基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)可复现性和工程应用价值。; 适合人群:具备一定控制理论基础和Matlab编程能力的研究生、科研人员及自动化、精密仪器、机器人等方向的工程技术人员。; 使用场景及目标:①解决高精度纳米定位系统中非线性动态响应带来的控制难题;②实现复杂机电系统的数据驱动建模预测控制一体化设计;③为非线性系统控制提供一种可替代传统机理建模的有效工具。; 阅读建议:建议结合提供的Matlab代码逐模块分析实现流程,重点关注Koopman观测矩阵构造、RNN网络结构设计MPC控制器耦合机制,同时可通过替换实际系统数据进行迁移验证,深化对数据驱动控制方法的理解应用能力。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值