論文の概要: Exact representations of many body interactions with RBM neural networks
- arxiv url: http://arxiv.org/abs/2005.03568v2
- Date: Fri, 8 Jan 2021 17:18:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-20 22:37:49.719353
- Title: Exact representations of many body interactions with RBM neural networks
- Title(参考訳): RBMニューラルネットワークを用いた多くの身体相互作用の厳密表現
- Authors: Ermal Rrapaj, Alessandro Roggero
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 77.34726150561087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Restricted Boltzmann Machines (RBM) are simple statistical models defined on
a bipartite graph which have been successfully used in studying more
complicated many-body systems, both classical and quantum. In this work, we
exploit the representation power of RBMs to provide an exact decomposition of
many-body contact interactions into one-body operators coupled to discrete
auxiliary fields. This construction generalizes the well known Hirsch's
transform used for the Hubbard model to more complicated theories such as
Pionless EFT in nuclear physics, which we analyze in detail. We also discuss
possible applications of our mapping for quantum annealing applications and
conclude with some implications for RBM parameter optimization through machine
learning.
- Abstract(参考訳): 制限ボルツマン機械(RBM、Restricted Boltzmann Machines)は、2部グラフ上に定義された単純な統計モデルであり、古典的および量子的両方のより複雑な多体系の研究に成功している。
本研究では,RBMの表現力を利用して,多体接触相互作用を個別の補助場に結合した一体演算子に正確に分解する。
この構造は、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し、詳細に解析する。
また,量子アニーリング応用へのマッピングの適用可能性についても検討し,機械学習によるrbmパラメータ最適化について考察した。
関連論文リスト
- DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。
DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。
経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文 参考訳(メタデータ) (2024-10-08T10:48:50Z) - Learning Restricted Boltzmann Machines with greedy quantum search [2.98017021422101]
我々は、量子コンピューティング領域の範囲を拡大し、この問題に対する対応する量子アルゴリズムを提案する。
本研究は,提案した量子アルゴリズムが,これらの2種類のRBMの構造を学習するための古典的アルゴリズムと比較して高速化されることを示す。
論文 参考訳(メタデータ) (2023-09-25T14:56:30Z) - 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) - Efficiency of neural-network state representations of one-dimensional
quantum spin systems [0.0]
1次元(1D)量子スピン系のボルツマンマシン(RBM)状態表現について検討する。
トラルニケート誤差を定量化したLRFD(Long-rangefastdecay) RBM状態のクラスを定義する。
広い範囲の量子系の基底状態は、正確にはRFD RBMまたはそれらの変種によって表されるかもしれないと推測する。
論文 参考訳(メタデータ) (2023-02-01T01:44:03Z) - A real neural network state for quantum chemistry [1.9363665969803923]
ボルツマン機械(Boltzmann machine, RBM)は、多電子Schr$ddottexto$dinger方程式を解くのに成功している。
本稿では, RBM を応用した単層完全連結ニューラルネットワークを提案し, 初期量子化学問題の研究に応用する。
論文 参考訳(メタデータ) (2023-01-10T02:21:40Z) - PELICAN: Permutation Equivariant and Lorentz Invariant or Covariant
Aggregator Network for Particle Physics [64.5726087590283]
本稿では,全6次元ローレンツ対称性に対して最大で還元された入力の集合を用いた機械学習アーキテクチャを提案する。
結果として得られたネットワークは、モデル複雑さがはるかに低いにもかかわらず、既存の競合相手すべてを上回っていることを示す。
論文 参考訳(メタデータ) (2022-11-01T13:36:50Z) - 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) - Boltzmann machines as two-dimensional tensor networks [7.041258064903578]
RBMとDBMは正確に2次元テンソルネットワークとして表現できることを示す。
この表現は、RBMとDBMの表現力の理解を与える。
また、RBMとDBMの計算分割関数に対する効率的なテンソルネットワーク収縮アルゴリズムも提供する。
論文 参考訳(メタデータ) (2021-05-10T06:14:49Z) - Restricted Boltzmann Machine, recent advances and mean-field theory [0.8702432681310401]
Restricted Boltzmann Machine (RBM) を統計物理学の光の下で扱う。
RBMは機械学習(ML)モデルの古典的なファミリーであり、ディープラーニングの発展において中心的な役割を果たした。
論文 参考訳(メタデータ) (2020-11-23T10:08:53Z) - 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)
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。