Fugu-MT 論文翻訳(概要): Discovering Symmetry Invariants and Conserved Quantities by Interpreting Siamese Neural Networks

論文の概要: Discovering Symmetry Invariants and Conserved Quantities by Interpreting Siamese Neural Networks

arxiv url: http://arxiv.org/abs/2003.04299v4
Date: Tue, 25 Aug 2020 23:33:14 GMT
ステータス: 処理完了
システム内更新日: 2022-12-25 09:40:34.054852
Title: Discovering Symmetry Invariants and Conserved Quantities by Interpreting Siamese Neural Networks
Title（参考訳）: シームズニューラルネットワークの解釈による対称性不変量と保存量の検出
Authors: Sebastian J. Wetzel, Roger G. Melko, Joseph Scott, Maysum Panju, Vijay Ganesh
Abstract要約: 本稿では,理論物理学の分野と類似性検出のための解釈可能なシームズニューラルネットワーク(SNN)を提案する。我々は、SNNを特殊相対性理論における事象、電磁場の変換、および中心電位における粒子の運動に適用する。
参考スコア（独自算出の注目度）: 14.398466798625606
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we introduce interpretable Siamese Neural Networks (SNN) for similarity detection to the field of theoretical physics. More precisely, we apply SNNs to events in special relativity, the transformation of electromagnetic fields, and the motion of particles in a central potential. In these examples, the SNNs learn to identify datapoints belonging to the same events, field configurations, or trajectory of motion. It turns out that in the process of learning which datapoints belong to the same event or field configuration, these SNNs also learn the relevant symmetry invariants and conserved quantities. These SNNs are highly interpretable, which enables us to reveal the symmetry invariants and conserved quantities without prior knowledge.
Abstract（参考訳）: 本稿では,理論物理学における類似性検出のための解釈可能なシアムニューラルネットワーク(snn)を提案する。より正確には、SNNを特殊相対性理論における事象、電磁場の変換、中心電位における粒子の運動に適用する。これらの例では、SNNは、同じイベント、フィールド構成、動きの軌跡に属するデータポイントを特定することを学ぶ。結果、どのデータポイントが同じイベントまたはフィールド構成に属するかを学ぶ過程で、これらのsnsは関連する対称性不変量と保存量も学習する。これらのSNNは高度に解釈可能であり、先行知識なしで対称性不変量や保存量を明らかにすることができる。

関連論文リスト

Speak so a physicist can understand you! TetrisCNN for detecting phase transitions and order parameters [3.669506968635671]
TetrisCNNは並列ブランチを持つ畳み込みNNであり、異なるカーネルを使用してスピンシステムの位相を検出する。テトリスCNNは2次元イジングゲージ理論の例を用いて,より複雑な順序パラメータを検出可能であることを示す。この研究は、NNと量子シミュレータを統合することで、新しいエキゾチックな物質相の研究につながる可能性がある。
論文参考訳（メタデータ） (2024-11-04T16:30:58Z)
Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文参考訳（メタデータ） (2024-05-22T17:23:15Z)
The role of data embedding in equivariant quantum convolutional neural networks [2.255961793913651]
等変量子ニューラルネットワーク(EQNN)の性能に及ぼす古典量子埋め込みの影響について検討する。等価な量子畳み込みニューラルネットワーク(QCNN)から得られた3種類の振幅埋め込みと、EQCNNの分類精度を数値的に比較する。
論文参考訳（メタデータ） (2023-12-20T18:25:15Z)
SO(2) and O(2) Equivariance in Image Recognition with Bessel-Convolutional Neural Networks [63.24965775030674]
この研究はベッセル畳み込みニューラルネットワーク(B-CNN)の開発を示す B-CNNは、ベッセル関数に基づく特定の分解を利用して、画像とフィルタの間のキー操作を変更する。他の手法と比較して,B-CNNの性能を評価するために検討を行った。
論文参考訳（メタデータ） (2023-04-18T18:06:35Z)
Geometrical aspects of lattice gauge equivariant convolutional neural networks [0.0]
格子ゲージ同変畳み込みニューラルネットワーク(L-CNN)は、非アベリア格子ゲージ理論に適用可能な畳み込みニューラルネットワークの枠組みである。
論文参考訳（メタデータ） (2023-03-20T20:49:08Z)
Theory for Equivariant Quantum Neural Networks [0.0]
本質的に任意の対称性群に対して等変量子ニューラルネットワーク(EQNN)を設計するための理論的枠組みを提案する。私たちのフレームワークは、量子機械学習のほぼすべての領域に簡単に適用できます。
論文参考訳（メタデータ） (2022-10-16T15:42:21Z)
Interrelation of equivariant Gaussian processes and convolutional neural networks [77.34726150561087]
現在、ニューラルネットワーク(NN)とガウス過程(GP)の関係に基づく機械学習(ML)には、かなり有望な新しい傾向がある。本研究では、ベクトル値のニューロン活性化を持つ2次元ユークリッド群とそれに対応する独立に導入された同変ガウス過程(GP)との関係を確立する。
論文参考訳（メタデータ） (2022-09-17T17:02:35Z)
Symmetric Pruning in Quantum Neural Networks [111.438286016951]
量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
論文参考訳（メタデータ） (2022-08-30T08:17:55Z)
Encoding Involutory Invariance in Neural Networks [1.6371837018687636]
ある状況では、ニューラルネットワーク(NN)は、基礎となる物理対称性に従うデータに基づいて訓練される。本研究では、関数がパリティまでのインボリュート線型/ファイン変換に対して不変な特別な対称性について検討する。数値実験により,提案モデルが与えられた対称性を尊重しながらベースラインネットワークより優れていたことが示唆された。また,本手法を水平/垂直反射対称性を持つデータセットに対する畳み込みNN分類タスクに適用する手法も提案されている。
論文参考訳（メタデータ） (2021-06-07T16:07:15Z)
Lorentz Group Equivariant Neural Network for Particle Physics [58.56031187968692]
ローレンツ群の下での変換に関して完全に同値なニューラルネットワークアーキテクチャを提案する。素粒子物理学における分類問題に対して、そのような同変構造は、比較的学習可能なパラメータの少ない非常に単純なモデルをもたらすことを実証する。
論文参考訳（メタデータ） (2020-06-08T17:54:43Z)
Phase Detection with Neural Networks: Interpreting the Black Box [58.720142291102135]
ニューラルネットワーク(NN)は通常、予測の背後にある推論に対する洞察を妨げます。本研究では,1次元拡張スピンレスFermi-Hubbardモデルの位相を半充足で予測するために,NNのブラックボックスをいかに影響関数が解き放つかを示す。
論文参考訳（メタデータ） (2020-04-09T17:45:45Z)

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。