Fugu-MT 論文翻訳(概要): Predicting nucleation near the spinodal in the Ising model using machine learning

論文の概要: Predicting nucleation near the spinodal in the Ising model using machine learning

arxiv url: http://arxiv.org/abs/2004.09575v2
Date: Thu, 8 Oct 2020 16:25:15 GMT
ステータス: 処理完了
システム内更新日: 2022-12-11 19:24:16.912557
Title: Predicting nucleation near the spinodal in the Ising model using machine learning
Title（参考訳）: 機械学習を用いたイジングモデルにおける脊髄近傍の核生成予測
Authors: Shan Huang, William Klein, Harvey Gould
Abstract要約: 畳み込みニューラルネットワーク(CNN)と2つのロジスティック回帰モデルを用いて、2次元イジングモデルにおける核生成の確率を予測する。 CNNはロングレンジイジングモデルのスピノダール付近のロジスティック回帰モデルより優れているが、クエンチがスピノダールに近づくと予測の精度が低下する。
参考スコア（独自算出の注目度）: 3.5056930099070853
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We use a Convolutional Neural Network (CNN) and two logistic regression models to predict the probability of nucleation in the two-dimensional Ising model. The three models successfully predict the probability for the Nearest Neighbor Ising model for which classical nucleation is observed. The CNN outperforms the logistic regression models near the spinodal of the Long Range Ising model, but the accuracy of its predictions decreases as the quenches approach the spinodal. Occlusion analysis suggests that this decrease is due to the vanishing difference between the density of the nucleating droplet and the background. Our results are consistent with the general conclusion that predictability decreases near a critical point.
Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)と2つのロジスティック回帰モデルを用いて、2次元イジングモデルにおける核生成の確率を予測する。 3つのモデルは、古典的な核生成が観測される最も近い隣のイジングモデルの確率を予測できた。 CNNはロングレンジアイシングモデルのスピノダール付近のロジスティック回帰モデルより優れているが、クエンチがスピノダールに近づくと予測精度が低下する。咬合分析の結果, この減少は核生成液滴の密度と背景の差の消失によることが示唆された。我々の結果は、予測可能性が臨界点付近で減少するという一般的な結論と一致している。

関連論文リスト

von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
円値ランダム関数上の表現的および解釈可能な分布の族を探索する。結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
論文参考訳（メタデータ） (2024-06-19T01:57:21Z)
From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
論文参考訳（メタデータ） (2023-11-27T21:37:50Z)
Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文参考訳（メタデータ） (2023-09-02T01:27:53Z)
Bias in Pruned Vision Models: In-Depth Analysis and Countermeasures [93.17009514112702]
ニューラルネットワークのパラメータのかなりの部分集合をゼロに設定するプルーニングは、モデル圧縮の最も一般的な方法の1つである。この現象の既存の証拠にもかかわらず、ニューラルネットワークのプルーニングと誘導バイアスの関係はよく理解されていない。
論文参考訳（メタデータ） (2023-04-25T07:42:06Z)
Forecasting the 2016-2017 Central Apennines Earthquake Sequence with a Neural Point Process [0.0]
本研究では,短期地震活動予測にフレキシブル・ポイント・プロセス・モデルを適用することができるか検討する。本研究では, 時間的ニューラルモデルを用いて, 震度閾値以上の地震を予測できることを示す。
論文参考訳（メタデータ） (2023-01-24T12:15:12Z)
Data-Based Models for Hurricane Evolution Prediction: A Deep Learning Approach [0.0]
ここで提示される多対多のRNN嵐軌道予測モデルは、NHCが使用するアンサンブルモデルよりもはるかに高速である。モデル予測誤差の詳細な解析により,多対一予測モデルは複合的エラー蓄積による多対多予測モデルよりも精度が低いことが示された。
論文参考訳（メタデータ） (2021-10-30T00:31:48Z)
Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文参考訳（メタデータ） (2021-10-13T01:23:48Z)
Quantifying Model Predictive Uncertainty with Perturbation Theory [21.591460685054546]
本稿では,ニューラルネットワークの予測不確実性定量化のためのフレームワークを提案する。量子物理学の摂動理論を用いてモーメント分解問題を定式化する。我々の手法は、より高精度でキャリブレーションの高い高速なモデル予測不確実性推定を提供する。
論文参考訳（メタデータ） (2021-09-22T17:55:09Z)
When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文参考訳（メタデータ） (2021-06-07T18:31:47Z)
A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
論文参考訳（メタデータ） (2020-10-27T17:56:14Z)
A Spatial-Temporal Graph Based Hybrid Infectious Disease Model with Application to COVID-19 [3.785123406103385]
新型コロナウイルスのパンデミックが進むにつれて、信頼できる予測が政策立案に重要な役割を果たす。 RNNのようなデータ駆動機械学習モデルは、COVID-19のような時系列データに制限がある場合に悩まされる可能性がある。グラフ構造上にSEIRとRNNを組み合わせることで,学習と予測の精度と効率を両立させるハイブリッド時間モデルを構築する。
論文参考訳（メタデータ） (2020-10-18T19:34:54Z)

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。