Loading [MathJax]/jax/element/mml/optable/BasicLatin.js

搜索

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

强场太赫兹波作用下氢气分子振动动力学研究

宁辉 王凯程 王少萌 宫玉彬

Ji Fei, Zhao Jun-Hu, Shen Qian, Zhi Rong, Gong Zhi-Qiang. The distribution of large-scale drought/flood of summer in China under different configurations of monsoon and polar vortex. Acta Phys. Sin., 2014, 63(5): 059201. doi: 10.7498/aps.63.059201
Citation: Ji Fei, Zhao Jun-Hu, Shen Qian, Zhi Rong, Gong Zhi-Qiang. The distribution of large-scale drought/flood of summer in China under different configurations of monsoon and polar vortex. Acta Phys. Sin., 2014, 63(5): 059201. doi: 10.7498/aps.63.059201

强场太赫兹波作用下氢气分子振动动力学研究

宁辉, 王凯程, 王少萌, 宫玉彬

Vibrational dynamics of hydrogen molecules under intense THz waves

Ning Hui, Wang Kai-Cheng, Wang Shao-Meng, Gong Yu-Bin
Article Text (iFLYTEK Translation)
PDF
HTML
导出引用
  • 利用电磁场与分子体系的相互作用可以研究分子的物理性质及其动力学问题. 不断发展的太赫兹技术提供了能够产生亚皮秒定向强电场的太赫兹源, 其产生的强场太赫兹波拥有与分子局部电场环境相当的电场强度, 且定向电场的亚皮秒时间尺度也能覆盖众多超快物理化学反应过程. 目前太赫兹波与分子的相互作用还主要局限于共振相互作用, 即电磁波通过偶极相互作用, 使分子在不同的振转能级发生跃迁. 本文基于密度泛函理论计算和薛定谔方程的时域有限差分求解方法, 研究了强太赫兹波电场对氢分子的强场非共振作用. 结果显示, 在强场太赫兹波亚皮秒定向强电场的作用下, 氢分子将产生诱导偶极矩, 此偶极矩与外加太赫兹场作用, 引起质子概率密度分布的波动及振动能级布居数的变化. 本文基于非极性双原子分子氢气与强场太赫兹波的非共振作用, 展示了一种独特的电磁波与分子相互作用的途径, 对研究生物体非极性分子及极性较弱的分子在强太赫兹场下的动力学研究提供了方法.
    The physical properties and dynamics of molecules can be studied by the interaction between electromagnetic field and molecular system. The continuous development of terahertz technology provides a terahertz source capable of generating a sub-picosecond directional intense electric field. The generated intense-field terahertz wave has the same electric field intensity as the molecular local electric field environment, and on a sub-picosecond time scale of the directional electric field there can happen many ultrafast physical and chemical reactions. At present, the interaction between terahertz waves and molecules is limited mainly to the resonance interaction, that is, the molecules transition at different vibrational levels, caused through dipole interaction. In this work, based on the density functional theory calculation and the finite difference time domain solution method of Schrödinger equation, the intense non-resonance effect of intense terahertz wave electric field on hydrogen molecules is studied. The results show that under the action of intense terahertz wave sub-picosecond directional intense electric field, hydrogen molecule will produce an induced dipole moment. This dipole interacts with the external terahertz field, resulting in the fluctuation of proton probability density distribution and the change of vibration energy level population. Based on the non-resonant interaction between non-polar diatomic molecule hydrogen and intense terahertz wave, a unique way of producing the interaction between electromagnetic waves and molecules is displayed in this work, which is a method of studying the dynamics of non-polar molecules and molecules with weak polarity in intense terahertz field.
      通信作者: 宫玉彬, ybgong@uestc.edu.cn
    • 基金项目: 国家自然科学基金(批准号61921002, 61988102)资助的课题
      Corresponding author: Gong Yu-Bin, ybgong@uestc.edu.cn
    • Funds: Project supported by the National Natural Science Foundation of China (Grant Nos. 61921002, 61988102)

    平台聚类编组问题作为军事C2组织资源调度中重点研究问题之一, 一直受到国内外研究人员的广泛关注[1,2]. 在联合作战中, 由于涉及的平台数量庞大、类型多样, 资源供给数量众多、种类丰富, 在进行平台聚类编组时不但需要考虑大量的武器平台元素, 还需要考虑平台位置信息、提供的资源规模等属性, 因此联合作战中平台聚类编组问题属于组合优化问题中的NP (non-deterministic polynomial)问题[3,4]. 由于军事C2组织资源调度中一般要求任务簇与平台簇一一对应, 所以通常情况下联合作战中任务分组的数量就决定了平台编组的数量, 据此可以利用无监督聚类优化算法求解联合作战中平台聚类编组问题.

    目前, 无监督聚类优化算法主要有K-means算法[57]、层次聚类[810]、Mean-shift聚类算法[1113]、高斯混合模型EM算法[1416]等. 与其他方法相比, K-means算法因具有算法思路简单、聚类效果优良等特点, 加之在处理大数据情况下, 具有很好的伸缩性, 算法复杂度相对较低等优点, 使其在实际应用中广受青睐[17,18]. 该算法作为数据挖掘领域的十大算法之一, 已成功应用于特征分析[1921]、商业智能[2224]、图像分组[2527]、文档聚类[2830]等多个领域. 随着大数据时代的到来, 问题所包含的聚类数据量呈指数级增长, 给K-means算法的计算速率带来了巨大挑战. 一些学者尝试将量子计算与K-means算法相结合, 利用量子天然所具有的并行计算能力来加速K-means算法的聚类过程, 达到量子增强的目的, 使得K-means算法的时间复杂度有较大幅度地降低[3133].

    在上述研究成果的启发下, 本文针对联合作战战役行动中平台聚类编组问题提出了一种基于量子K-means的量子增强求解方法. 首先, 该方法在K-means算法的基础上, 利用已确认的任务簇数量确定平台聚类的类别数量, 再以每个任务簇中所含任务的位置信息为基准, 通过推导计算, 求解出每个初始聚类中心点位置; 其次, 以欧氏距离作为衡量平台数据与各聚类中心点间相似度的指标, 对平台数据进行量子化处理, 将平台数据转化成对应的量子态形式表示, 根据理论推导将欧氏距离求解转化成量子态内积求解, 通过设计构造通用的量子态内积求解量子线路完成对欧氏距离的求解; 接着, 根据平台数据与各聚类中心之间的相似度, 将各平台划归到对应的聚类中心并对聚类中心位置信息进行更新, 不断迭代直至达到类簇的误差平方和数值或者预先设定的迭代阈值, 完成聚类并取得平台聚类编组结果.

    经典K-means算法的基本思想为: 首先, 根据相关依据和经验, 预先确定聚类类别数目K, 并从聚类数据集中随机选取K个初始聚类中心点; 其次, 依次计算其余聚类数据元素与各聚类中心点之间的欧氏距离, 通过欧氏距离找出距离目标数据元素最近的聚类中心点, 并将该聚类数据元素划归到该聚类中心点所对应的簇中; 接着, 通过求解每个簇中的聚类数据元素的平均值, 计算该簇对应的新聚类中心点; 最后, 根据聚类效果, 进行反复迭代, 直至聚类中点位置相对稳定或者迭代次数达到设定次数.

    设聚类数据集合为X={x1,x2,,xN}, 其中N为聚类数据数量, 初始聚类中心点有K个, 每个聚类中心点表示为ck, 其中k{1,2,,K}, 每个聚类数据维度为M. 则可以定义如下公式:

    D(xi,ck)=Mj=1(xijckj)2, (1)

    其中D(xi,ck)表示聚类数据xi与聚类中心点ck 之间的欧氏距离, xijckj分别表示聚类数据 xi和聚类中心点ckj个维度对应的属性值, j{1,2,,M}.

    ck=xiCkxiNk, (2)

    其中ck表示通过求平均值得到的新聚类中心点, Ck表示聚类数据划归到聚类中心点ck所组成的集合, Nk表示聚类集合Ck所含聚类数据的数量.

    SSE=Kk=1xiCk|D(xi,ck)|2, (3)

    其中SSE表示整个聚类数据集的残差平方和.

    经典K-means算法的具体步骤如下:

    步骤1 根据具体问题, 结合实际经验具体分析, 确定将要划分聚类中心数目K;

    步骤2 在聚类数据集中, 初始聚类中心点通过随机选定的K个数据元素来确定;

    步骤3 根据(1)式计算其余聚类样本元素和各聚类中心点之间的欧氏距离;

    步骤4 对欧氏距离计算结果进行比较, 将聚类数据元素划归到与其欧氏距离最小的聚类中心点所在的簇中;

    步骤5 确定每个簇中的聚类数据元素数目, 并通过(2)式对簇中聚类数据元素的均值进行计算;

    步骤6 将均值计算结果作为新的聚类中心点位置, 并进行更新;

    步骤7 根据(3)式, 计算整个聚类数据集的残差平方和;

    步骤8 对聚类数据集的残差平方和变化进行判断, 若变化超出所设定的范围, 则跳转到步骤3, 根据新的聚类中心点重新进行聚类分簇. 如果变化在所设定的范围内, 则结束聚类, 将聚类分簇结果进行输出. 图1为K-means算法的具体聚类流程图.

    图 1 K-means算法的具体聚类流程图\r\nFig. 1. Specific clustering process diagram of the K-means algorithm.
    图 1  K-means算法的具体聚类流程图
    Fig. 1.  Specific clustering process diagram of the K-means algorithm.

    xi=[xi1,xi2,,xiM]T为聚类数据集合X中的任意数据元素, ck=[ck1,ck2,ckM]T为聚类中心集合Ck中的任意一个聚类中心点. 根据(1)式, xick之间的欧氏距离具体推导如下:

    D(xi,ck)=Mj=1(xijckj)2=(xi1ck1)2+(xi2ck2)2++(xiMckM)2=(x2i1+x2i2++x2iM)+(c2k1+c2k2++c2kM)2(xi1ck1+xi2ck2++xiMckM). (4)

    根据(4)式, 整个聚类数据集的残差平方和SSE公式也可以进一步推导:

    SSE=Kk=1xiCk|D(xi,ck)|2=Kk=1xiCk[(x2i1+x2i2++x2iM)+(c2k1+c2k2++c2kM)2(xi1ck1+xi2ck2++xiMckM)]. (5)

    通过对经典K-means算法的计算复杂度分析, 可以发现该算法对计算资源的消耗主要集中在计算聚类数据元素与聚类中心点之间的欧氏距离部分(步骤3)和计算整个聚类数据集的残差平方和部分(步骤7). 随着数据量和维度的不断增大, 该算法所消耗的计算资源会急剧增加, 算法的计算复杂度也会指数级提升. 根据(4)式和(5)式的推导结果, 可以建立起欧氏距离与内积计算之间的联系, 将计算欧氏距离转化为内积计算. 但是, 针对内积计算问题采用目前常用的经典算法进行求解需要消耗较大的计算资源, 并且算法的计算复杂度都比较高. 所以, 本文从新兴的量子技术角度出发, 考虑在量子理论体系下, 利用量子增强技术来提升经典K-means算法处理问题的能力.

    本文提出的基于量子K-means的量子增强求解方法是将量子力学基础理论和量子计算相关理论与经典K-means算法的主要步骤相结合, 在充分发挥量子并行计算优势基础上提升经典算法的执行效率和准确度. 针对经典K-means算法, 本文提出的方法主要做了3个方面的优化和改进. 一是根据具体问题对聚类分簇K值和初始聚类中心点位置进行优化处理; 二是对所有聚类数据元素和聚类中心点进行量子化处理, 建立经典内积与量子态内积之间的联系; 三是制备量子态, 设计构建通用的量子态内积求解量子线路, 通过对量子态内积的求解实现对应欧氏距离的求解.

    经典K-means算法较为明显的缺点就是聚类分簇K值难以确定和初始聚类中心点随机选取. 如果聚类分簇K值和初始聚类中心点选取不当往往会严重影响到最终聚类结果, 使其陷入局部最优.

    对于聚类分簇K值, 在算法聚类过程中, 如果K值选择过大, 会导致各簇之间数据特征的差异性很小, 如果K值选择过小, 会导致每个簇内部的数据特征差异性很大. 同时, K值过大或者过小都会导致聚类结果不理想, 难以实现全局最优. 对平台进行聚类的目标就是想实现任务簇与平台簇的一一对应关系, 因此本文从实际出发以已知的任务簇数量作为初始聚类分簇K的取值(如图2所示). 这样选取的K值不但与实际相符, 也更容易求出全局较优解.

    图 2 初始化平台集聚类分簇K值图\r\nFig. 2. K value graph of initialization platform clustering class clustering.
    图 2  初始化平台集聚类分簇K值图
    Fig. 2.  K value graph of initialization platform clustering class clustering.

    在K-means算法聚类过程中, 初始聚类中心点的选取对聚类效果起着关键性作用, 当初始聚类中心点位置不理想时, 不但影响聚类效果, 还会使算法的迭代次数增加, 从而提高算法的计算复杂度. 本文在确定聚类分簇K值的基础上, 对每个任务簇中的任务数据元素平均值进行计算, 并将该平均值对应的位置作为对应平台簇的初始聚类中心点位置. 这样选取的聚类中心点不仅与实际问题相结合, 具体操作还比较简单, 一定程度上降低了算法的操作复杂度.

    在希尔伯特空间中, 一个量子位对应的量子态可以表示成一个二维向量, 根据张量积运算, 两个量子位对应的量子态就可以表示一个四维向量, 以此类推, n个量子位对应的量子态就可以表示一个2n维向量. 当聚类数据元素的特征维度为N时, 需要的量子位数为log2N. 当量子态对应的向量形式中出现多余的维度时, 将其对应的振幅数值设置为0即可. 下面进行具体的计算推导.

    设聚类数据元素与聚类中心点的特征维度都为N, 设一个聚类数据元素x1=[x11,x12,,x1N]T与一个聚类中心点c1=[c11,c12,,c1N]T. 设两个量子态分别为|η=[e1,e2,,eL]T, |ϑ=[f1,f2,,fL]T, 其中L=2log2N. 令E=x1=Ni=1x21i, F=c1=Ni=1c21i. 将E代入x1的表达式, x1的表达形式可以转化为

    x1=E[x11E,x12E,,x1NE]T. (6)

    F代入c1的表达式, c1的表达形式可以转化为:

    c1=F[c11F,c12F,,c1NF]T. (7)

    L=N时, 令e1=x11E,e2=x12E,,eL=x1NE, 令f1=c11F,f2=c12F,,fL=c1NF. 可以得到如下表达式:

    |η=[e1,e2,,eL]T=[x11E,x12E,,x1NE]T=x1E, (8)
    |ϑ=[f1,f2,,fL]T=[c11F,c12F,,c1NF]T=c1F. (9)

    根据(8)式和(9)式, 计算量子态|η|ϑ的内积可以得到如下表达式:

    η|ηϑϑ=[e1,e2,,eL][f1,f2,,fL]T=x1E,c1F=1EFx1,c1. (10)

    L>N时, 令e1=x11E, e2=x12E,, eN=x1NE,eN+1=0, eN+2=0,,eL=0. 令f1=c11F, f2=c12F,,fN=c1NF, fN+1=0,fN+2=0,,fL=0. 可以得到如下表达式:

    |η=[e1,e2,,eL]T=[x11E,x12E,,x1NE,0,,0]T, (11)
    |ϑ=[f1,f2,,fL]T=[c11F,c12F,,c1NF,0,,0]T. (12)

    根据(11)式和(12)式, 计算量子态|η|ϑ的内积可以表示为

    η|ηϑϑ=[e1,e2,,eL,0,,0]×[f1,f2,,fL,0,,0]T=1EFx1,c1. (13)

    这样无论L大于或者等于N, 都可以建立起经典内积与量子态内积之间的联系, 使接下来构建量子线路进行内积求解成为可能.

    设任意两个量子态分别为|φ=[q1,q2,,qL]T, |ϕ=[p1,p2,,pL]T, 其中L表示量子比特位数, Li=1|qi|2=1, Li=1|pi|2=1. 以生成量子态|φ为例, 设计其对应的通用量子线路. 根据量子基础理论, 量子态|φ可以写成如下形式:

    |φ=a11|φ11|0+b11|φ12|1, (14)

    其中, 结合本文实际问题应用, 设a11, b11为任意实数, 且a211+b211=1.

    根据(14)式中|φ的表达形式, 参考文献[34]量子态制备过程中量子逻辑门选择方法, 经过量子酉变换计算推理, 利用量子逻辑门设计出了制备|φ对应的量子线路. 如图3所示, 在量子初始基态|0L的基础上, 经过RY(i)量子逻辑门、X量子逻辑门等操作后, 得到|φ对应的量子态. 具体计算推导过程如下:

    图 3 制备量子态${S_{11}}$量子线路概率图\r\nFig. 3. Probability diagram for preparing quantum circuits of quantum state ${S_{11}}$.
    图 3  制备量子态S11量子线路概率图
    Fig. 3.  Probability diagram for preparing quantum circuits of quantum state S11.
    |0(L1)|0RY(θ11)|0(L1)(a11|0+b11|1)ControlledS12a11|0(L1)|0+b11|φ12|1Xa11|0(L1)|1+b11|φ12|0ControlledS11a11|φ11|1+b11|φ12|0Xa11|φ11|0+b11|φ12|1.

    RY(i)量子逻辑门的矩阵形式为

    RY(θ)=eiθY/2=[cos(θ/2)sin(θ/2)sin(θ/2)cos(θ/2)]. (15)

    X量子逻辑门的矩阵形式为

    X=[0110]. (16)

    从上述计算推导过程和图3显示的信息可以看出, 图中量子逻辑门模块S11S12的主要作用就是演化生成量子态|φ11|φ12. 在设计量子线路过程中, 直接实现量子逻辑门模块S11S12比较困难, 本文可以采用相同的原理, 将量子态|φ11|φ12的表达式写成|φ11=a21|φ21|0+b21|φ22|1|φ12=a22|φ23|0+b22|φ24|1的形式, 其中a21, b21, a22, b22为实数, 且a221+b221=1, a222+b222=1. 这样就可以采用递归方法, 对量子线路中较为复杂的量子逻辑门模块S11S12进行进一步分解设计, 最终得到如图4所示的制备量子态|φ的通用量子线路图. 该量子线路图可以适用于任意量子态的制备.

    图 4 制备量子态${\left| 0 \right\rangle _1}{\left| \varphi \right\rangle _2}{\left| \phi \right\rangle _3}\xrightarrow{{1:H}}\dfrac{1}{{\sqrt 2 }}\left( {{{\left| 0 \right\rangle }_1}{{\left| \varphi \right\rangle }_2}{{\left| \phi \right\rangle }_3} + {{\left| 1 \right\rangle }_1}{{\left| \varphi \right\rangle }_2}{{\left| \phi \right\rangle }_3}} \right)$的通用量子线路图\r\nFig. 4. The general quantum circuit diagram for preparing quantum states ${\left| 0 \right\rangle _1}{\left| \varphi \right\rangle _2}{\left| \phi \right\rangle _3}\xrightarrow{{1:H}}\dfrac{1}{{\sqrt 2 }}\left( {{{\left| 0 \right\rangle }_1}{{\left| \varphi \right\rangle }_2}{{\left| \phi \right\rangle }_3} + {{\left| 1 \right\rangle }_1}{{\left| \varphi \right\rangle }_2}{{\left| \phi \right\rangle }_3}} \right)$.
    图 4  制备量子态|01|φ2|ϕ31:H12(|01|φ2|ϕ3+|11|φ2|ϕ3)的通用量子线路图
    Fig. 4.  The general quantum circuit diagram for preparing quantum states |01|φ2|ϕ31:H12(|01|φ2|ϕ3+|11|φ2|ϕ3).

    根据量子力学基础理论, 量子态|ϕ也可以写成如下形式:

    |ϕ=c11|ϕ11|0+d11|ϕ12|1, (17)

    其中c11, d11为任意实数, 且c211+d211=1. 采用同样的计算推导方法, 本文也可以设计出制备量子态|ϕ的通用量子线路.

    在完成两个量子态|φ|ϕ的制备后, 接下来就是设计实现两个量子态内积的通用量子线路. 因为受控SWAP量子逻辑门可以实现两个量子比特状态之间的转换, 所以在量子态演化过程中, 在量子线路中增加控制位, 主要利用H量子逻辑门、受控SWAP量子逻辑门实现两个量子态|φ|ϕ之间的转换, 形成量子纠缠态, 通过对控制位量子态的测量求得两个量子态的内积. |φ|ϕ的量子态内积求解线路如图5所示, 其中H量子逻辑门的矩阵形式为

    图 5 量子态内积求解对应的量子线路图\r\nFig. 5. The quantum circuit diagram corresponding to solving the inner product of quantum states.
    图 5  量子态内积求解对应的量子线路图
    Fig. 5.  The quantum circuit diagram corresponding to solving the inner product of quantum states.
    H=12[1111]. (18)

    SWAP量子逻辑门的矩阵形式为

    SWAP = [1000001001000001]. (19)

    求解量子态内积的计算推导如下:

    |01|φ2|ϕ31:H12(|01|φ2|ϕ3+|11|φ2|ϕ3)
    2 and 3:SWAP,112(|01|φ2|ϕ3+|11|ϕ2|φ3)
    1:H12|01(|φ2|ϕ3+|ϕ2|φ3)+12|11(|φ2|ϕ3|ϕ2|φ3).

    用标准基态|0测量控制位得到0的概率为

    [12(ϕ|3φ|2+φ|3ϕ|2)0|1+12(ϕ|3φ|2φ|3ϕ|2)1|1]|01×0|1[12|01(|φ2|ϕ3+|ϕ2|φ3)+12|11(|φ2|ϕ3|ϕ2|φ3)]=12(ϕ|3φ|2+φ|3ϕ|2)0|1|010|112|01(|φ2|ϕ3+|ϕ2|φ3)=12(1+φ|φϕϕ2).

    用标准基态|1测量控制位得到1的概率为

    [12(ϕ|3φ|2+φ|3ϕ|2)0|1+12(ϕ|3φ|2φ|3ϕ|2)1|1]|11×1|1[12|01(|φ2|ϕ3+|ϕ2|φ3)+12|11(|φ2|ϕ3|ϕ2|φ3)]=12(ϕ|3φ|2φ|3ϕ|2)1|1|111|112|11(|φ2|ϕ3|ϕ2|φ3)=12(1φ|φϕϕ2).

    为了对本文提出的基于QK-means的量子增强求解方法进行有效性和准确性验证, 本节首先选取UCI(University of CaliforniaIrvine)数据库中的Haberman, Iris, Diabetes, Wine四个公共数据集作为本次实验的测试数据集, 并结合经典K-means算法在相同条件下进行仿真实验与分析; 其次, 以某多军兵种联合作战登陆战役模拟演习中收集的关于作战平台实验数据为研究对象, 将本文提出的方法与经典的K-means算法同时用于求解平台聚类问题, 并对结果进行分析研究; 最后, 对本文提出的基于QK-means的量子增强求解方法的计算复杂度与经典K-means算法的计算复杂度进行对比分析.

    Haberman, Iris, Diabetes, Wine四个公共数据集的基本信息如表1所示, 本文依次将其作用于两种算法进行实验验证. 实验结果重点从准确率、运行时间和迭代次数等方面对两种算法进行对比分析. 由于在对这两种算法进行实验测试时, 在初始聚类中心选取环节都具有一定的随机性, 造成单次实验结果可能出现较大偏差, 为了避免这种误差影响, 本文设定在每个数据集上运行算法10次, 求其平均值作为最终结果. 本文提出的方法的伪代码如表2所示.

    表 1  实验数据集信息表
    Table 1.  Experimental dataset information table.
    数据集样本数特征维度数类别数
    Haberman30632
    Iris15043
    Diabetes76882
    Wine178133
    下载: 导出CSV 
    | 显示表格
    表 2  基于QK-means的量子增强求解方法的伪代码
    Table 2.  Pseudo code of the quantum enhancement solution method based on QK-means.
    算法1. 基于QK-means的量子增强求解方法的伪代码
    输入: 输入数据集S(N, M, K), 其中N表示数据集样本数量, M表示数据样本维度, K表示数据分类个数. 初始化量子软件开发环境与量子云平台
    输出: K个聚类分簇以及每个分簇所包含的数据样本
    初始化量子软件开发环境Qr与量子比特数量
    1) 根据输入数据集分类个数确定聚类中心数为K
    2) 结合公共数据集实际情况, 根据3.1节中所述选取聚类中心点的方法, 将每个分簇数据集合的平均值作为初始聚类中心点位置
    3) 对数据样本和聚类中心点进行量子化, 并给SSE赋一个较大值
    4) while SSE值阈值 do
    5) 通过基于QK-means的量子线路制备量子态, 计算数据样本与各聚类中心点之间的欧氏距离D(xi,ck)
    6) 根据D(xi,ck), 当D(xi,ck)取到min时, 将{x_i} \to {C_k}
    7) 计算每个{N_k}, 并求该聚类分簇的平均值{c'_k} = \dfrac1{{{N_k}}}{{\displaystyle\sum\limits_{{x_i} \in {C_k}} {{x_i}} }}
    8) 通过{c'_k}更新聚类中心位置
    9) 求解整个聚类数据集的残差平方和{\text{SSE}} = {\displaystyle\sum\limits_{k = 1}^K {\displaystyle\sum\limits_{{x_i} \in {C_k}} {\left| {D\left( {{x_i}, {c_k}} \right)} \right|} } ^2}
    10) end while
    11) 输出每个{C_k}
    下载: 导出CSV 
    | 显示表格

    图6所示为基于QK-means的量子增强求解方法和经典K-means算法在4种公共数据集上进行聚类分簇的准确率比较图. 由于选用的4个公共数据集都是带标签的, 每个数据样本都有自身对应的分类标签, 所以这里以结果实现正确划分的数据样本个数与数据样本总数量的比值作为衡量两个算法的准确程度. 从图中通过分析可以得出, 在4种数据集下本文提出的方法比经典K-means算法都有较为显著的提升, 主要原因是经典K-means算法在确定初始聚类中心点位置时, 采用的是随机在所有数据样本中选取, 而初始聚类中心点位置很容易影响到聚类结果, 造成实验结果与数据集自身标签分类结果之间有偏差, 容易陷入到局部最优解. 而本文针对初始聚类中心点位置选取方式进行了优化, 在确保合理性的前提下, 缩小每个聚类中心点选择范围, 避免了不良初始聚类中心点数据带来的较大实验结果误差.

    图 6 在4种公共数据集下, 两种算法的准确率比较图\r\nFig. 6. Comparison of accuracy between two algorithms on four common datasets.
    图 6  在4种公共数据集下, 两种算法的准确率比较图
    Fig. 6.  Comparison of accuracy between two algorithms on four common datasets.

    图7为在4种公共数据集下两种算法的运行时间对比图. 从图7可以分析得出, 在4种数据下本文提出的方法的运行时间明显低于经典K-means算法的运行时间, 特别是当数据样本较大或者数据维度较大时, 两种算法的运行时间对比更为明显. 通过分析认为主要原因是本文提出的方法利用量子增强技术使其具有并行计算的能力, 大大缩短了算法的运行时间, 而这种并行计算能力, 随着数据量和数据维度增大, 表现出的优势更为明显. 另一个原因是本文提出的方法优化了初始聚类中心点的选取方式, 一定程度上通过减少迭代次数缩短了算法的运行时间.

    图 7 在4种公共数据集下, 两种算法的运行时间对比图\r\nFig. 7. Comparison of runtime between the two algorithms on four common datasets.
    图 7  在4种公共数据集下, 两种算法的运行时间对比图
    Fig. 7.  Comparison of runtime between the two algorithms on four common datasets.

    图8为在4种公共数据集下两种算法的迭代次数对比图, 图中迭代次数是多次试验测试的平均值, 所以不一定是整数值. 从图中分析可以得出, 在4种数据下本文提出的方法的迭代次数少于经典K-means算法的迭代次数, 特别是当数据样本较为复杂时, 与经典K-means算法相比, 本文提出的方法具有较大优势. 分析原因主要是本文提出 的方法在选择初始聚类中心点时, 通过缩小每个 聚类中心点选取范围, 将其限制在一个较优的数 值范围, 降低了随机性给聚类结果带来的影响, 从而使算法可以较早取得较优解, 减少了算法的迭 代次数. 当数据样本变得复杂时, 经典K-means算法通过随机方式选取初始聚类中心点的局限性和不确定性就越为突出, 造成了算法迭代次数增多, 而本文提出的方法则基本不受数据样本复杂度的影响.

    图 8 在4种公共数据集下, 两种算法的迭代次数对比图\r\nFig. 8. Comparison of iteration times of two algorithms on four common datasets.
    图 8  在4种公共数据集下, 两种算法的迭代次数对比图
    Fig. 8.  Comparison of iteration times of two algorithms on four common datasets.

    图9所示为某多军兵种联合作战登陆战役模拟演习项目的作战任务区域图. 该项目作战区域主要由A区域与B区域组成, 本文只对A区域中的作战平台开展联合作战战役行动中平台聚类问题研究. 实验过程中, A区共有作战平台类型12种, 数量23个, 各平台包含的具体资源属性类型有12种, 同类型的不同平台采用不同字符进行表示. 实验所需的数据是在战役演习项目中对A区域作战平台数据进行收集整理的基础上, 随机选取的3组作战平台数据, 每组数据包含23个平台数据样本.

    图 9 作战任务区域图\r\nFig. 9. Operational mission area map.
    图 9  作战任务区域图
    Fig. 9.  Operational mission area map.

    针对联合作战战役行动中平台聚类问题, 实验所需搭建环境以及所采用的实验原理和方法都与4.1节实验基本相同, 这里不再赘述. 针对本文提出方法的伪代码, 程序在执行中将聚类中心点选取方式调整为利用每个任务簇的任务数据平均值进行确定, 并将该值作为对应平台簇的初始聚类中心点.

    图10为在3组平台数据下两种算法的实验结果比较图. 图10(a)为基于QK-means的量子增强求解方法的实验结果, 图10(b)为经典K-means算法的实验结果. 从图中可以分析得出, 两种算法都可以对3组平台数据进行聚类分簇, 但本文提出的方法在聚类效果上要优于经典K-means算法, 其主要原因就是经典K-means算法在初始聚类中心点选取时随机性较大, 容易陷入局部较优解.

    图 10 在3组平台数据下, 两种算法的实验结果比较图\r\nFig. 10. Comparison of experimental results of two algorithms under three sets of platform data.
    图 10  在3组平台数据下, 两种算法的实验结果比较图
    Fig. 10.  Comparison of experimental results of two algorithms under three sets of platform data.

    图11为在3组平台数据下两种算法的运行时间对比图. 从图中可以分析得出, 在3组平台数据下本文提出的方法的运行时间低于经典K-means算法的运行时间, 再次验证了本文提出的方法的量子并行计算优势. 此外, 由于3组平台数据的规模相同, 所以两种算法在3组数据下的运行时间也基本相等.

    图 11 在3组平台数据下, 两种算法的运行时间对比图\r\nFig. 11. Comparison of runtime between two algorithms under three sets of platform data.
    图 11  在3组平台数据下, 两种算法的运行时间对比图
    Fig. 11.  Comparison of runtime between two algorithms under three sets of platform data.

    图12为在3组平台数据下两种算法的迭代次数对比图. 由于图中迭代次数是经过多次试验测试得到的平均值, 所以不一定是整数值. 从图12分析可以得出, 在3组数据下本文提出的方法的迭代次数少于经典K-means算法的迭代次数, 且由于3组平台数据的规模相同, 两种算法在3组数据下的迭代次数也基本相等.

    图 12 在3组平台数据下, 两种算法的迭代次数对比图\r\nFig. 12. Comparison of iteration times of two algorithms under three platform data groups.
    图 12  在3组平台数据下, 两种算法的迭代次数对比图
    Fig. 12.  Comparison of iteration times of two algorithms under three platform data groups.
    4.3.1   时间复杂度分析

    根据经典K-means算法流程图(图1), 经典K-means算法中主要消耗资源的步骤为计算聚类数据样本与各聚类中心点之间的欧氏距离、计算聚类数据集的残差平方和等. 根据文献[35]相关内容, 计算聚类数据样本与各聚类中心点之间的欧氏距离部分的时间复杂度为O\left( {KMN} \right), 计算聚类数据集的残差平方和部分的时间复杂度也为O\left( {KMN} \right), 其中K为聚类中心点数量, M为数据样本维度数量, N为数据样本数量. 所以如果算法迭代次数为Z, 则经典K-means算法总的时间复杂度为O\left( {2 ZKMN} \right). 而根据基于QK-means的量子增强求解方法的伪代码(表2), 该方法主要针对经典K-means算法的计算聚类数据样本与各聚类中心点之间的欧氏距离部分和计算聚类数据集的残差平方和部分进行量子增强, 实现并行计算. 根据文献[36]相关内容, 在基于QK-means的量子增强求解方法中, 计算聚类数据样本与各聚类中心点之间的欧氏距离部分的时间复杂度为O\left( {KN\log M} \right), 计算聚类数据集的残差平方和部分的时间复杂度也为O\left( {KN\log M} \right), 其中K为聚类中心点数量, N为数据样本数量, M为数据样本维度数量. 如果算法迭代次数为Z, 则该方法总的时间复杂度为O\left( {2 ZKN\log M} \right). 从分析的结果可以看出本文所提方法与经典K-means算法相比, 较大幅度地缩短了算法的时间复杂度, 实现了量子增强.

    4.3.2   空间复杂度分析

    通过对经典K-means算法运行结构进行仔细分析, 该算法在进行聚类数据样本与各聚类中心点之间的欧氏距离计算以及聚类数据集的残差平方和计算时需要分配较多额外的辅助存储空间. 根据文献[35]相关内容, 分析得出计算聚类数据样本与各聚类中心点之间的欧氏距离部分空间复杂度为O\left( {MK} \right), 计算聚类数据集的残差平方和部分空间复杂度为O\left( {M\left( {N + K} \right)} \right), 所以经典K-means算法总的空间复杂度应该取较大值为O\left( {M\left( {N + K} \right)} \right), 其中K为聚类中心点数量, N为数据样本数量, M为数据样本维度数量. 而本文提出的方法在计算欧氏距离时需要先对数据样本量子化, 通过量子化可以减少计算所需的空间资源, 根据文献[35]相关内容, 该方法中的计算聚类数据样本与各聚类中心点之间的欧氏距离部分空间复杂度为O\left( {K\log M} \right), 计算聚类数据集的残差平方和部分空间复杂度为O\left( {\left( {N + K} \right)\log M} \right), 所以该方法总的空间复杂度为O\left( {\left( {N + K} \right)\log M} \right). 与经典K-means算法相比, 本文提出的方法在算法空间复杂度方面具有明显降低.

    针对联合作战战役行动中平台聚类编组问题, 本文提出了基于QK-means的量子增强求解方法. 首先, 该方法在经典K-means算法基础上, 结合具体实际问题, 对算法结果影响较大的初始聚类分簇数量与初始聚类中心点位置等环节进行了优化处理, 降低了随机选取给算法带来的误差影响, 避免算法结果陷入局部最优解; 其次, 该方法针对经典K-means算法中需要消耗较大计算资源计算聚类数据样本与各聚类中心点之间的欧氏距离部分和计算聚类数据集的残差平方和部分, 构建对应的量子线路进行求解, 实现量子增强与加速; 最后, 在公共数据集上和具体的战役平台编组中对经典K-means算法和基于QK-means的量子增强求解方法进行仿真验证与分析, 实验结果表明, 本文提出的方法能较好地解决联合作战战役行动中平台聚类编组问题, 与经典K-means算法相比, 在时间复杂度和空间复杂度两个方面都有较大幅度降低. 该方法虽然便于理解, 有较高的准确率, 算法的复杂度也大幅度降低, 但该方法量子化程度有限, 需要较多的计算资源. 如何提升基于QK-means的量子增强求解方法的量子化程度是下一步我们重点需要研究的方向.

    [1]

    Stapelfeldt H 2003 Eur. Phys. J. D 26 15Google Scholar

    [2]

    Sakai H, Safvan C P, Larsen J J, Hilligsoe K M, Hald K, Stapelfeldt H 1999 J. Chem. Phys. 110 10235Google Scholar

    [3]

    Wunderlich C, Figger H, Hänsch T W 1996 Chem. Phys. Lett. 256 43Google Scholar

    [4]

    Ohmura H, Saito N, Morishita T 2014 Phys. Rev. A 89 013405Google Scholar

    [5]

    Trump C, Rottke H, Wittmann M, Korn G, Sandner W, Lein M, Engel V 2000 Phys. Rev. A 62 063402Google Scholar

    [6]

    Rottke H, Trump C, Wittmann M, et al. 2002 Phys. Rev. Lett. 89 013001Google Scholar

    [7]

    Kling M F, Siedschlag C, Znakovskaya I, Verhoef A J, Zherebtsov S, Krausz F, Lezius M, Vrakking M J J 2008 Mol. Phys. 106 455Google Scholar

    [8]

    Förster J, Vanne Y V, Saenz A 2014 Phys. Rev. A 90 053424

    [9]

    Zhang X C, Shkurinov A, Zhang Y 2017 Nat. Photonics 11 16Google Scholar

    [10]

    Hafez H A, Chai X, Ibrahim A, Mondal S, Férachou D, Ropagnol X, Ozaki T 2016 J. Opt. 18 093004Google Scholar

    [11]

    Shaik S, Mandal D, Ramanan R 2016 Nat. Chem. 8 1091Google Scholar

    [12]

    Zeng Y, Zhou C, Song L, Lu X, Li Z, Ding Y, Bai Y, Xu Y, Leng Y, Tian Y, Liu J, Li R, Xu Z 2020 45th International Conference on Infrared, Millimeter, and Terahertz Waves (IRMMW-THz) Buffalo, New York, USA, November 8–13 2020 p1

    [13]

    Kampfrath T, Tanaka K, Nelson K A 2013 Nat. Photonics 7 680Google Scholar

    [14]

    Salumbides E J, Dickenson G D, Ivanov T I, Ubachs W 2011 Phys. Rev. Lett. 107 043005Google Scholar

    [15]

    Dickenson G D, Niu M L, Salumbides E J, Komasa J, Eikema K S, Pachucki K, Ubachs W 2013 Phys. Rev. Lett. 110 193601Google Scholar

    [16]

    Liu J J, Salumbides E J, Hollenstein U, Koelemeij J C J, Eikema K S E, Ubachs W, Merkt F 2009 J. Chem. Phys. 130 174306Google Scholar

    [17]

    Saenz A 2000 Phys. Rev. A 61 051402

    [18]

    Puchalski M, Komasa J, Pachucki K 2017 Phys. Rev. A 95 052506Google Scholar

    [19]

    Šmydke J, Ajay J, Remacle F, Levine R D 2017 Electronic and Nuclear Dynamics for a Non-Equilibrium Electronic State: The Ultrafast Pumping of N2 // Tadjer A, Pavlov R, Maruani J, Brändas E J, Delgado-Barrio G 2017 Quantum Systems in Physics, Chemistry, and Biology: Advances in Concepts and Applications (Vol. 30) (Cham: Springer International Publishing AG) p195

    [20]

    Calvert C R, Bryan W A, Newell W R, Williams I D 2010 Phys. Rep. 491 1Google Scholar

    [21]

    Neese F 2011 Wiley Interdiscip. Rev. Comput. Mol. Sci. 2 73Google Scholar

    [22]

    Becerril R, Guzman F S, Rendon-Romero A, Valdez-Alvarado S 2008 Rev. Mex. Fis. E 54 120

    [23]

    Wang K C, Yang L X, Wang S M, Guo L H, Ma J L, Tang J C, Bo W F, Wu Z, Zeng B Q, Gong Y B 2020 Phys. Chem. Chem. Phys. 22 9316Google Scholar

    [24]

    Neese F 2017 Wiley Interdiscip. Rev. Comput. Mol. Sci. 8 1Google Scholar

    [25]

    Stephens P J, Devlin F J, Chabalowski C F, Frisch M J 1994 J. Phys. Chem. 98 11623Google Scholar

    [26]

    Weigend F, Ahlrichs R 2005 Phys. Chem. Chem. Phys. 7 3297Google Scholar

    [27]

    Goerigk L, Grimme S 2011 J. Chem. Theory Comput. 7 291Google Scholar

    [28]

    Caldeweyher E, Bannwarth C, Grimme S 2017 J. Chem. Phys. 147 034112Google Scholar

    [29]

    Caldeweyher E, Ehlert S, Hansen A, Neugebauer H, Spicher S, Bannwarth C, Grimme S 2019 J. Chem. Phys. 150 154122Google Scholar

    [30]

    Cohen-Tannoudji C, Diu B, Laloë F 2019 Quantum Mechanics, Volume 1: Basic Concepts, Tools, and Applications (Vol. 1, 2nd Ed.) (New Jersey: John Wiley & Sons) p529

    [31]

    Valkunas L, Abramavicius D, Mancal T 2013 Molecular Excitation Dynamics and Relaxation: Quantum Theory and Spectroscopy (New Jersey: John Wiley & Sons) p280

    [32]

    Swope W C, Andersen H C, Berens P H, Wilson K R 1982 J. Chem. Phys. 76 637Google Scholar

    [33]

    刘成卜, 邓从豪 1985 山东大学学报(自然科学版) 2 104

    Liu C B, Deng C H 1985 Journal of Shandong University (Natural Science Edition) 2 104

  • 图 1  氢分子的计算模型(球体表示氢原子), 两个氢核的连线平行于z

    Fig. 1.  Calculation model of hydrogen molecules (spheres represent hydrogen atoms), two hydrogen nuclei are parallel to the z axis.

    图 2  无外加电场时氢分子势能面(黑色曲线)及各能级概率密度分布曲线(彩色曲线), 氢分子的前3个本征振动模式由3条彩色曲线表示, 图例的数字代表氢分子每个本征模的能量E, 这里将势能面最低点设置为0

    Fig. 2.  Without external electric field, the potential energy surface of hydrogen molecule (black curve) and the probability density distribution curve of each energy level (color curves). The first three eigen vibration modes of hydrogen molecule are represented by three color curves, the number in the legend represents the energy of each eigenmode of the hydrogen molecule, and the lowest point of potential energy surface is set to 0.

    图 3  氢分子的势能面随外加电场强度与键长的变化图. 这幅图是用三次样条插值方法绘制, 颜色块代表能量, 单位是eV. 在电场强度增加至45 GV/m附近时, 最小势能点发生移动, 新的最小势能点出现在2.8 Å附近. 为了更清楚地展示势能面, 大于5 eV的体系势能用深红色表示

    Fig. 3.  Variation of potential energy surface of hydrogen molecule with applied electric field intensity and bond length. This map is drawn by cubic spline interpolation method. The color block represents energy in eV. When the electric field intensity increases to 45 GV/m, the minimum potential energy point moves, and the new minimum energy point appears near 2.8 Å. In order to show the potential energy surface more clearly, the potential energy of the system greater than 5 eV is expressed in dark red.

    图 4  本文计算所使用的4个太赫兹高斯脉冲场的波形图, 幅值分别为35 GV/m (红色、紫色线)和60 GV/m (蓝色、黑色线), 脉宽分别为90 fs (红色、蓝色线)和20 fs (紫色、黑色线)

    Fig. 4.  Waveforms of four THz pulse fields are calculated, the amplitudes are 35 GV/m (red, purple lines), 60 GV/m (blue, black lines), pulse width are 90 fs (red, blue lines), 20 fs (purple, black lines).

    图 5  脉宽为90与20 fs的太赫兹脉冲波经傅里叶变换后的频谱图, 纵轴代表归一化的功率密度

    Fig. 5.  Spectrum of THz pulse waves with 90 fs and 20 fs pulse width after fast Fourier transform. The longitudinal axis represents normalized power density.

    图 6  氢分子在幅值为35 GV/m的z方向高斯定向强场作用下质子概率密度分布的演化图, 施加的高斯脉冲电场的脉宽分别为(a) 90 fs与(b) 20 fs, 高斯脉冲中心设置在0.4 ps, 颜色条代表质子概率密度

    Fig. 6.  Evolution diagram of proton probability density distribution of hydrogen molecule under the action of Gaussian directional intense field in z direction with amplitude of 35 GV/m. The pulse widths of applied Gaussian pulse electric field are (a) 90 fs and (b) 20 fs, respectively. The Gaussian pulse center is set at 0.4 ps, and the color strip represents the proton probability density.

    图 7  氢分子在幅值为35 GV/m的z方向高斯定向强场作用下能级布居数分布的演化图, 施加的高斯脉冲电场的脉宽分别为(a) 90 fs与(b) 20 fs, 高斯脉冲中心设置在0.4 ps, 不同颜色的曲线代表不同能级的布居数

    Fig. 7.  Evolution diagram of the energy level population distribution of hydrogen molecule under the action of the Gaussian directional intense field in the z direction with the amplitude of 35 GV/m. The pulse widths of the applied Gaussian pulse electric field are (a) 90 fs and (b) 20 fs, respectively. The Gaussian pulse center is set at 0.4 ps. Curves of different colors represent populations of different energy levels.

    图 8  氢分子在幅值为60 GV/m的z方向高斯定向强场作用下质子概率密度分布的演化图, 施加的高斯脉冲电场的脉宽分别为(a) 90 fs与(b) 20 fs, 高斯脉冲中心设置在0.4 ps, 颜色条代表质子概率密度

    Fig. 8.  Evolution diagram of proton probability density distribution of hydrogen molecule under the action of Gaussian directional intense field in z direction with amplitude of 60 GV/m. The pulse widths of applied Gaussian pulse electric field are (a) 90 fs and (b) 20 fs, respectively. The Gaussian pulse center is set at 0.4 ps, and the color strip represents the proton probability density.

    图 9  氢分子在幅值为60 GV/m的z方向高斯定向强场作用下能级布居数分布的演化图, 施加的高斯脉冲电场的脉宽分别为(a) 90 fs与(b) 20 fs, 高斯脉冲中心设置在0.4 ps, 不同颜色的曲线代表不同能级的布居数

    Fig. 9.  Evolution diagram of the energy level population distribution of hydrogen molecule under the action of the Gaussian directional strong field in the z direction with the amplitude of 60 GV/m. The pulse widths of the applied Gaussian pulse electric field are (a) 90 fs and (b) 20 fs, respectively. The Gaussian pulse center is set at 0.4 ps. Curves of different colors represent populations of different energy levels

  • [1]

    Stapelfeldt H 2003 Eur. Phys. J. D 26 15Google Scholar

    [2]

    Sakai H, Safvan C P, Larsen J J, Hilligsoe K M, Hald K, Stapelfeldt H 1999 J. Chem. Phys. 110 10235Google Scholar

    [3]

    Wunderlich C, Figger H, Hänsch T W 1996 Chem. Phys. Lett. 256 43Google Scholar

    [4]

    Ohmura H, Saito N, Morishita T 2014 Phys. Rev. A 89 013405Google Scholar

    [5]

    Trump C, Rottke H, Wittmann M, Korn G, Sandner W, Lein M, Engel V 2000 Phys. Rev. A 62 063402Google Scholar

    [6]

    Rottke H, Trump C, Wittmann M, et al. 2002 Phys. Rev. Lett. 89 013001Google Scholar

    [7]

    Kling M F, Siedschlag C, Znakovskaya I, Verhoef A J, Zherebtsov S, Krausz F, Lezius M, Vrakking M J J 2008 Mol. Phys. 106 455Google Scholar

    [8]

    Förster J, Vanne Y V, Saenz A 2014 Phys. Rev. A 90 053424

    [9]

    Zhang X C, Shkurinov A, Zhang Y 2017 Nat. Photonics 11 16Google Scholar

    [10]

    Hafez H A, Chai X, Ibrahim A, Mondal S, Férachou D, Ropagnol X, Ozaki T 2016 J. Opt. 18 093004Google Scholar

    [11]

    Shaik S, Mandal D, Ramanan R 2016 Nat. Chem. 8 1091Google Scholar

    [12]

    Zeng Y, Zhou C, Song L, Lu X, Li Z, Ding Y, Bai Y, Xu Y, Leng Y, Tian Y, Liu J, Li R, Xu Z 2020 45th International Conference on Infrared, Millimeter, and Terahertz Waves (IRMMW-THz) Buffalo, New York, USA, November 8–13 2020 p1

    [13]

    Kampfrath T, Tanaka K, Nelson K A 2013 Nat. Photonics 7 680Google Scholar

    [14]

    Salumbides E J, Dickenson G D, Ivanov T I, Ubachs W 2011 Phys. Rev. Lett. 107 043005Google Scholar

    [15]

    Dickenson G D, Niu M L, Salumbides E J, Komasa J, Eikema K S, Pachucki K, Ubachs W 2013 Phys. Rev. Lett. 110 193601Google Scholar

    [16]

    Liu J J, Salumbides E J, Hollenstein U, Koelemeij J C J, Eikema K S E, Ubachs W, Merkt F 2009 J. Chem. Phys. 130 174306Google Scholar

    [17]

    Saenz A 2000 Phys. Rev. A 61 051402

    [18]

    Puchalski M, Komasa J, Pachucki K 2017 Phys. Rev. A 95 052506Google Scholar

    [19]

    Šmydke J, Ajay J, Remacle F, Levine R D 2017 Electronic and Nuclear Dynamics for a Non-Equilibrium Electronic State: The Ultrafast Pumping of N2 // Tadjer A, Pavlov R, Maruani J, Brändas E J, Delgado-Barrio G 2017 Quantum Systems in Physics, Chemistry, and Biology: Advances in Concepts and Applications (Vol. 30) (Cham: Springer International Publishing AG) p195

    [20]

    Calvert C R, Bryan W A, Newell W R, Williams I D 2010 Phys. Rep. 491 1Google Scholar

    [21]

    Neese F 2011 Wiley Interdiscip. Rev. Comput. Mol. Sci. 2 73Google Scholar

    [22]

    Becerril R, Guzman F S, Rendon-Romero A, Valdez-Alvarado S 2008 Rev. Mex. Fis. E 54 120

    [23]

    Wang K C, Yang L X, Wang S M, Guo L H, Ma J L, Tang J C, Bo W F, Wu Z, Zeng B Q, Gong Y B 2020 Phys. Chem. Chem. Phys. 22 9316Google Scholar

    [24]

    Neese F 2017 Wiley Interdiscip. Rev. Comput. Mol. Sci. 8 1Google Scholar

    [25]

    Stephens P J, Devlin F J, Chabalowski C F, Frisch M J 1994 J. Phys. Chem. 98 11623Google Scholar

    [26]

    Weigend F, Ahlrichs R 2005 Phys. Chem. Chem. Phys. 7 3297Google Scholar

    [27]

    Goerigk L, Grimme S 2011 J. Chem. Theory Comput. 7 291Google Scholar

    [28]

    Caldeweyher E, Bannwarth C, Grimme S 2017 J. Chem. Phys. 147 034112Google Scholar

    [29]

    Caldeweyher E, Ehlert S, Hansen A, Neugebauer H, Spicher S, Bannwarth C, Grimme S 2019 J. Chem. Phys. 150 154122Google Scholar

    [30]

    Cohen-Tannoudji C, Diu B, Laloë F 2019 Quantum Mechanics, Volume 1: Basic Concepts, Tools, and Applications (Vol. 1, 2nd Ed.) (New Jersey: John Wiley & Sons) p529

    [31]

    Valkunas L, Abramavicius D, Mancal T 2013 Molecular Excitation Dynamics and Relaxation: Quantum Theory and Spectroscopy (New Jersey: John Wiley & Sons) p280

    [32]

    Swope W C, Andersen H C, Berens P H, Wilson K R 1982 J. Chem. Phys. 76 637Google Scholar

    [33]

    刘成卜, 邓从豪 1985 山东大学学报(自然科学版) 2 104

    Liu C B, Deng C H 1985 Journal of Shandong University (Natural Science Edition) 2 104

  • [1] 陈乐迪, 范仁浩, 刘雨, 唐贡惠, 马中丽, 彭茹雯, 王牧. 基于柔性超构材料宽带调控太赫兹波的偏振态. 物理学报, 2022, 71(18): 187802. doi: 10.7498/aps.71.20220801
    [2] 彭晓昱, 周欢. 太赫兹波生物效应. 物理学报, 2022, (): . doi: 10.7498/aps.71.20211996
    [3] 侯磊, 王俊喃, 王磊, 施卫. α-乳糖水溶液太赫兹吸收光谱实验研究及模拟分析. 物理学报, 2021, 70(24): 243202. doi: 10.7498/aps.70.20211716
    [4] 王红霞, 张清华, 侯维君, 魏一苇. 不同模态沙尘暴对太赫兹波的衰减分析. 物理学报, 2021, 70(6): 064101. doi: 10.7498/aps.70.20201393
    [5] 彭晓昱, 周欢. 太赫兹波生物效应. 物理学报, 2021, 70(24): 240701. doi: 10.7498/aps.70.20211996
    [6] 李郝, 杨鑫, 张正平. THz波在不同角度磁化的非均匀磁化等离子体中的传输特性分析. 物理学报, 2021, 70(7): 075202. doi: 10.7498/aps.70.20201450
    [7] 王磊, 肖芮文, 葛士军, 沈志雄, 吕鹏, 胡伟, 陆延青. 太赫兹液晶材料与器件研究进展. 物理学报, 2019, 68(8): 084205. doi: 10.7498/aps.68.20182275
    [8] 张斌, 赵健, 赵增秀. 基于多组态含时Hartree-Fock方法研究电子关联对于H2分子强场电离的影响. 物理学报, 2018, 67(10): 103301. doi: 10.7498/aps.67.20172701
    [9] 陈伟, 郭立新, 李江挺, 淡荔. 时空非均匀等离子体鞘套中太赫兹波的传播特性. 物理学报, 2017, 66(8): 084102. doi: 10.7498/aps.66.084102
    [10] 张会云, 刘蒙, 尹贻恒, 吴志心, 申端龙, 张玉萍. 基于格林函数法研究金属线栅在太赫兹波段的散射特性. 物理学报, 2013, 62(19): 194207. doi: 10.7498/aps.62.194207
    [11] 孙丹丹, 陈智, 文岐业, 邱东鸿, 赖伟恩, 董凯, 赵碧辉, 张怀武. 二氧化钒薄膜低温制备及其太赫兹调制特性研究. 物理学报, 2013, 62(1): 017202. doi: 10.7498/aps.62.017202
    [12] 司黎明, 侯吉旋, 刘埇, 吕昕. 基于负微分电阻碳纳米管的太赫兹波有源超材料特性参数提取. 物理学报, 2013, 62(3): 037806. doi: 10.7498/aps.62.037806
    [13] 王玥, 王暄, 贺训军, 梅金硕, 陈明华, 殷景华, 雷清泉. 太赫兹波段表面等离子光子学研究进展. 物理学报, 2012, 61(13): 137301. doi: 10.7498/aps.61.137301
    [14] 郑灵, 赵青, 刘述章, 邢晓俊. 太赫兹波在非磁化等离子体中的传输特性研究. 物理学报, 2012, 61(24): 245202. doi: 10.7498/aps.61.245202
    [15] 陆金星, 黄志明, 黄敬国, 王兵兵, 沈学民. 相位失配与材料吸收对利用GaSe差频产生太赫兹波功率影响的研究. 物理学报, 2011, 60(2): 024209. doi: 10.7498/aps.60.024209
    [16] 王玥, 吴群, 吴昱明, 傅佳辉, 王东兴, 王岩, 李乐伟. 碳纳米管辐射太赫兹波的理论分析与数值验证. 物理学报, 2011, 60(5): 057801. doi: 10.7498/aps.60.057801
    [17] 李忠洋, 姚建铨, 李俊, 邴丕彬, 徐德刚, 王鹏. 基于闪锌矿晶体中受激电磁耦子散射产生可调谐太赫兹波的理论研究. 物理学报, 2010, 59(9): 6237-6242. doi: 10.7498/aps.59.6237
    [18] 张戎, 曹俊诚. 光子晶体对太赫兹波的调制特性研究. 物理学报, 2010, 59(6): 3924-3929. doi: 10.7498/aps.59.3924
    [19] 王玥, 吴群, 施卫, 贺训军, 殷景华. 基于纳观域碳纳米管的太赫兹波天线研究. 物理学报, 2009, 58(2): 919-924. doi: 10.7498/aps.58.919
    [20] 孙红起, 赵国忠, 张存林, 杨国桢. 不同中心波长飞秒脉冲激发InAs表面辐射太赫兹波的机理研究. 物理学报, 2008, 57(2): 790-795. doi: 10.7498/aps.57.790
计量
  • 文章访问数:  6584
  • PDF下载量:  132
出版历程
  • 收稿日期:  2021-08-11
  • 修回日期:  2021-09-15
  • 上网日期:  2021-09-22
  • 刊出日期:  2021-12-20

/

返回文章
返回