机器学习跳跃轨迹揭示小极化子非绝热动力学
Nonadiabatic polaron dynamics from machine-learned hopping trajectories
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Daniela Mangano (University of Vienna, Faculty of Physics and Center for Computational Materials Science, Vienna, Austria, Department of Physics and Astronomy Augusto Righi, Alma Mater Studiorum - Universit\`a di Bologna, Bologna, Italy), Luca Leoni (Department of Physics and Astronomy Augusto Righi, Zhongfei Xu (College of Environmental Science and Engineering, North China Electric Power University, Beijing, China), Li-Min Liu (School of Physics, Beihang University, Cesare Franchini (University of Vienna
研究团队提出结合机器学习辅助极化子动力学与非绝热分子动力学的模拟框架，在纳秒尺度的原子轨迹中研究小极化子跳跃如何影响激发态动力学。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · Materials Science · arxiv.org