論文の概要: Recurrent Neural Network Wave Functions

• arxiv url: http://arxiv.org/abs/2002.02973v4
• Date: Sat, 20 Jun 2020 15:03:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-04 07:24:02.576260
• Title: Recurrent Neural Network Wave Functions
• Title（参考訳）: リカレントニューラルネットワークの波動関数
• Authors: Mohamed Hibat-Allah, Martin Ganahl, Lauren E. Hayward, Roger G. Melko, Juan Carrasquilla
• Abstract要約: 人工知能革命から生まれた中核技術は、リカレントニューラルネットワーク(RNN)である。 凝縮物質物理学者に対するいくつかの量子スピンモデルに対する基底状態エネルギー,相関関数,エンタングルメントエントロピーを計算し,RNN波動関数の有効性を示す。
• 参考スコア（独自算出の注目度）: 0.36748639131154304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A core technology that has emerged from the artificial intelligence revolution is the recurrent neural network (RNN). Its unique sequence-based architecture provides a tractable likelihood estimate with stable training paradigms, a combination that has precipitated many spectacular advances in natural language processing and neural machine translation. This architecture also makes a good candidate for a variational wave function, where the RNN parameters are tuned to learn the approximate ground state of a quantum Hamiltonian. In this paper, we demonstrate the ability of RNNs to represent several many-body wave functions, optimizing the variational parameters using a stochastic approach. Among other attractive features of these variational wave functions, their autoregressive nature allows for the efficient calculation of physical estimators by providing independent samples. We demonstrate the effectiveness of RNN wave functions by calculating ground state energies, correlation functions, and entanglement entropies for several quantum spin models of interest to condensed matter physicists in one and two spatial dimensions.
• Abstract（参考訳）: 人工知能革命から生まれた中核技術は、リカレントニューラルネットワーク(RNN)である。 そのユニークなシーケンスベースのアーキテクチャは、安定的なトレーニングパラダイムを備えた抽出可能な推定値を提供し、自然言語処理とニューラルマシン翻訳において多くの顕著な進歩をもたらした。 このアーキテクチャはまた、RNNパラメータを調整して量子ハミルトニアンの近似基底状態を学ぶ変分波動関数のよい候補となる。 本稿では,rnnが複数の多体波動関数を表現する能力を示し,確率的手法を用いて変動パラメータを最適化する。 これらの変動波動関数の魅力的な特徴の1つとして、その自己回帰性は独立サンプルを提供することで物理的推定器の効率的な計算を可能にする。 本研究では,RNN波動関数の有効性を,1次元と2次元の凝縮物質物理学者に対するいくつかの量子スピンモデルに対する基底状態エネルギー,相関関数,エンタングルメントエントロピーの計算により示す。

関連論文リスト

• Exploring quantum localization with machine learning [39.58317527488534]
  本稿では、その局所化の観点から、波動関数を分類するための効率的なニューラルネットワーク(NN)アーキテクチャを提案する。 提案手法は, 量子位相空間のパラメトリゼーションにより, 改良畳み込みモデルのパターン認識機能と, 独自の「量子」NNへと導かれる。
  論文  参考訳（メタデータ） (2024-06-01T08:50:26Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Variational waveguide QED simulators [58.720142291102135]
  導波管QEDシミュレータは1次元フォトニックバンドギャップ材料と相互作用する量子エミッタによって構成される。 ここでは、これらの相互作用がより効率的な変分量子アルゴリズムを開発するためのリソースとなることを実証する。
  論文  参考訳（メタデータ） (2023-02-03T18:55:08Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Harmonic (Quantum) Neural Networks [10.31053131199922]
  調和函数は自然界において豊富であり、マクスウェル方程式、ナヴィエ・ストークス方程式、熱、波動方程式の極限に現れる。 ユビキタスさと妥当性にもかかわらず、機械学習の文脈で高調波関数に対する帰納バイアスを組み込む試みは、ほとんどない。 ニューラルネットワークにおける調和関数の効率的な表現方法を示し、その結果を量子ニューラルネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-12-14T19:13:59Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)
• On the eigenvector bias of Fourier feature networks: From regression to solving multi-scale PDEs with physics-informed neural networks [0.0]
  ニューラルネットワーク(PINN)は、目標関数を近似する場合には、高周波またはマルチスケールの特徴を示す。 マルチスケールなランダムな観測機能を備えた新しいアーキテクチャを構築し、そのような座標埋め込み層が堅牢で正確なPINNモデルにどのように結びつくかを正当化します。
  論文  参考訳（メタデータ） (2020-12-18T04:19:30Z)
• Learning the ground state of a non-stoquastic quantum Hamiltonian in a rugged neural network landscape [0.0]
  ニューラルネットワークに基づく普遍的変動波動関数のクラスについて検討する。 特に,本稿では,ニューラルネットワークの表現率とモンテカルロサンプリングが一次制限因子ではないことを示す。
  論文  参考訳（メタデータ） (2020-11-23T05:25:47Z)
• Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
  光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。 我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
  論文  参考訳（メタデータ） (2020-07-28T14:52:28Z)
• Flexible Transmitter Network [84.90891046882213]
  現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。 本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。 本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
  論文  参考訳（メタデータ） (2020-04-08T06:55:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。