近日，我院教师耿茹与东北师范大学的高忆先教授、祖建副教授等合作者在非线性格点哈密顿系统领域合作的最新研究成果“α-separable graph Hamiltonian network: A robust model for learning particle interactions in lattice systems ”被美国物理学会学术期刊PHYSICAL REVIEW E（简称PRE）录用。
非线性格点哈密顿系统作为一类重要的物理系统，在固态物理学、统计力学以及工程中的耦合振子建模等领域具有广泛的应用，研究这类系统的动力学行为一直是数学家和物理学家长期关注的课题。在该成果中提出了一种创新的深度学习方法。该方法可以仅凭轨迹观测数据，实现对可分格点哈密顿系统粒子间复杂相互作用的重构。该方法不仅突破了图神经网络对系统结构先验知识的依赖瓶颈，还为通过传统实验手段难以观测的相互作用关系识别提供了新的研究思路，为深入理解格点哈密顿系统提供了新工具。此外，凭借该方法获取的相互作用关系显著提升了格点系统的预测效果，使守恒量预测精度和轨迹预测精度均得到显著提升。
该研究成果彰显了我校数据科学在物理学领域的深度交叉融合与创新突破，通过构建跨学科研究范式，有力推动了相关学科的共同发展，研究水平和能力受到了国内外同行的广泛认可，有效地提升了我校在相关领域的学术影响力和贡献度。
耿茹，博士，长春大学数学与统计学院数据科学与大数据技术专业教师，毕业于东北师范大学，主要从事动力系统及其相关的深度学习理论与应用研究。
PRE是统计、非线性、生物和软物质物理学相关领域的主要期刊，涵盖了复杂流体、聚合物、液晶和颗粒材料的最新发展成果。
