論文の概要: The Accuracy of Restricted Boltzmann Machine Models of Ising Systems
- arxiv url: http://arxiv.org/abs/2004.12867v1
- Date: Mon, 27 Apr 2020 15:23:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 06:13:37.276404
- Title: The Accuracy of Restricted Boltzmann Machine Models of Ising Systems
- Title(参考訳): イジングシステムの制限ボルツマンマシンモデルの精度
- Authors: David Yevick, Roger Melko
- Abstract要約: 本稿では,これらのパラメータがイジングスピン系計算に与える影響について詳細に検討する。
比熱などの統計量の精度とエネルギーと磁化の連成分布の精度のトレードオフを識別する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Restricted Boltzmann machine (RBM) provide a general framework for modeling
physical systems, but their behavior is dependent on hyperparameters such as
the learning rate, the number of hidden nodes and the form of the threshold
function. This article accordingly examines in detail the influence of these
parameters on Ising spin system calculations. A tradeoff is identified between
the accuracy of statistical quantities such as the specific heat and that of
the joint distribution of energy and magnetization. The optimal structure of
the RBM therefore depends intrinsically on the physical problem to which it is
applied.
- Abstract(参考訳): 制限ボルツマンマシン(RBM)は物理システムをモデル化するための一般的なフレームワークを提供するが、その振る舞いは学習率、隠れノードの数、しきい値関数の形式などハイパーパラメータに依存する。
本稿では,これらのパラメータがイジングスピン系計算に与える影響について詳細に検討する。
比熱などの統計量の精度とエネルギーと磁化の連成分布の精度との間にはトレードオフがある。
したがって、RBMの最適構造は、適用される物理的問題に本質的に依存する。
関連論文リスト
- Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks [0.0]
本稿では,物理インフォームドニューラルネットワーク(PINN)を用いた力学系の同定と推定について検討する。
PINNは、既知の物理法則をニューラルネットワークの損失関数に直接埋め込むことによって、複雑な現象の単純な埋め込みを可能にするユニークな利点を提供する。
その結果、PINNは上記のすべてのタスクに対して、たとえモデルエラーがあっても、効率的なツールを提供することを示した。
論文 参考訳(メタデータ) (2024-10-02T08:58:30Z) - Statistical Mechanics of Dynamical System Identification [2.8820361301109365]
我々はスパース方程式探索アルゴリズムを解析するための統計力学手法を開発した。
与えられたモデルの雑音を推定する閉ループ推定法を提案する。
このスパース方程式発見の観点は万能であり、他の様々な方程式発見アルゴリズムに適応することができる。
論文 参考訳(メタデータ) (2024-03-04T04:32:28Z) - Stochastic stiffness identification and response estimation of
Timoshenko beams via physics-informed Gaussian processes [0.0]
本稿では,ティモシェンコビーム素子に対する物理インフォームドガウス過程(GP)モデルを提案する。
提案手法は, 構造パラメータの同定に有効であり, 異種・多要素センサからのデータを融合することができる。
論文 参考訳(メタデータ) (2023-09-21T08:22:12Z) - Towards Convergence Rates for Parameter Estimation in Gaussian-gated
Mixture of Experts [40.24720443257405]
ガウスゲートMOEモデルにおける最大推定値(MLE)の収束解析を行う。
以上の結果から,MLEはガウスゲーティング関数の位置パラメータの2つの相補的な設定の下で異なる挙動を示すことが明らかとなった。
特に、これらの挙動は2つの異なる方程式系の可解性によって特徴づけられる。
論文 参考訳(メタデータ) (2023-05-12T16:02:19Z) - 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) - Entanglement Features of Random Neural Network Quantum States [0.0]
我々はランダムなRBMで符号化された量子多体スピン状態を研究するための解析法を開発した。
我々は、等価な統計力学モデルにおいて、異なる位相に対応するRBMパラメータによって定性的に異なる波動関数を発見する。
論文 参考訳(メタデータ) (2022-02-28T19:00:03Z) - Decimation technique for open quantum systems: a case study with
driven-dissipative bosonic chains [62.997667081978825]
量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。
本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。
本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
論文 参考訳(メタデータ) (2022-02-15T19:00:09Z) - Bayesian Calibration of imperfect computer models using Physics-informed
priors [0.0]
本稿では,計算機モデルの物理パラメータの不確かさを定量化するのに適した,計算効率の良いデータ駆動フレームワークを提案する。
我々はこれを完全にベイズ的枠組みに拡張し、物理パラメータの不確かさとモデル予測の定量化を可能にした。
この研究は、高血圧の個人治療のための心臓の血行動態の解釈可能なパラメータの必要性によって動機付けられている。
論文 参考訳(メタデータ) (2022-01-17T15:16:26Z) - Out-of-time-order correlations and the fine structure of eigenstate
thermalisation [58.720142291102135]
量子情報力学と熱化を特徴付けるツールとして、OTOC(Out-of-time-orderor)が確立されている。
我々は、OTOCが、ETH(Eigenstate Thermalisation hypothesis)の詳細な詳細を調査するための、本当に正確なツールであることを明確に示している。
無限温度状態における局所作用素の和からなる可観測物の一般クラスに対して、$omega_textrmGOE$の有限サイズスケーリングを推定する。
論文 参考訳(メタデータ) (2021-03-01T17:51:46Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Exact representations of many body interactions with RBM neural networks [77.34726150561087]
我々は、RBMの表現力を利用して、多体接触相互作用を1体演算子に正確に分解する。
この構成は、ハバードモデルでよく知られたヒルシュの変換を、核物理学におけるピオンレスFTのようなより複雑な理論に一般化する。
論文 参考訳(メタデータ) (2020-05-07T15:59:29Z)
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。