論文の概要: Learning Potentials of Quantum Systems using Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2006.13297v3
- Date: Fri, 15 Jan 2021 00:45:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 22:43:53.748661
- Title: Learning Potentials of Quantum Systems using Deep Neural Networks
- Title(参考訳): ディープニューラルネットワークを用いた量子システムの学習ポテンシャル
- Authors: Arijit Sehanobish, Hector H. Corzo, Onur Kara, David van Dijk
- Abstract要約: NNは古典的なハミルトン力学を学ぶことができる。
NNは、量子現象に関する洞察を提供する手段として、観測を通して誘導バイアスを付与することができるか?
- 参考スコア(独自算出の注目度): 6.270305440413689
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Attempts to apply Neural Networks (NN) to a wide range of research problems
have been ubiquitous and plentiful in recent literature. Particularly, the use
of deep NNs for understanding complex physical and chemical phenomena has
opened a new niche of science where the analysis tools from Machine Learning
(ML) are combined with the computational concepts of the natural sciences.
Reports from this unification of ML have presented evidence that NNs can learn
classical Hamiltonian mechanics. This application of NNs to classical physics
and its results motivate the following question: Can NNs be endowed with
inductive biases through observation as means to provide insights into quantum
phenomena? In this work, this question is addressed by investigating possible
approximations for reconstructing the Hamiltonian of a quantum system in an
unsupervised manner by using only limited information obtained from the
system's probability distribution.
- Abstract(参考訳): ニューラルネットワーク(NN)を幅広い研究課題に適用しようとする試みは、近年の文献で広く普及している。
特に、複雑な物理現象や化学現象を理解するためにディープNNを使うことによって、機械学習(ML)の分析ツールと自然科学の計算概念が組み合わさった科学の新しいニッチが開かれた。
このmlの統一に関する報告は、nnが古典ハミルトン力学を学べる証拠を示している。
NNの古典物理学への応用とその成果は、次の質問を動機付けている。 NNは、量子現象に関する洞察を提供する手段として、観測を通して誘導バイアスを与えられるか?
本研究では,量子系のハミルトニアンを無教師法で再構成するための近似を,系の確率分布から得られる限られた情報のみを用いて検討することで,この問題に対処した。
関連論文リスト
- Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳(メタデータ) (2024-09-05T07:18:09Z) - On the Interpretability of Quantum Neural Networks [0.0]
人工知能(AI)手法、特にディープニューラルネットワークの解釈可能性は非常に興味深い。
本稿では,古典的ニューラルネットワークによく用いられる局所的モデルに依存しない解釈可能性尺度を用いて,量子ニューラルネットワークの解釈可能性について検討する。
我々の説明の1つの特徴は、データサンプルが本質的にランダムな量子測定の対象であるランダムなラベルを与えられた領域の描写である。
論文 参考訳(メタデータ) (2023-08-22T00:43:14Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳(メタデータ) (2022-12-21T19:00:04Z) - Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a
Polynomial Net Study [55.12108376616355]
NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。
本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。
我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
論文 参考訳(メタデータ) (2022-09-16T06:36:06Z) - Analysis of Neural Network Predictions for Entanglement Self-Catalysis [0.0]
ニューラルネットワークの異なるモデルが絡み合いの検出と自己触媒の仕方を学ぶことができるかどうかを検討する。
また、学習機械が別の関連する現象を検知できるかどうかについても検討する。
論文 参考訳(メタデータ) (2021-12-29T14:18:45Z) - Quantum-enhanced neural networks in the neural tangent kernel framework [0.4394730767364254]
量子データエンコーダとcNNを組み合わせたqcNNのクラスについて検討する。
cNNの番号ノードが無限に大きくなるNTK状態において、qcNN全体の出力は、いわゆる射影量子カーネルの非線形関数となる。
論文 参考訳(メタデータ) (2021-09-08T17:16:23Z) - The Hintons in your Neural Network: a Quantum Field Theory View of Deep
Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。
ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文 参考訳(メタデータ) (2021-03-08T17:24:29Z) - 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) - Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文 参考訳(メタデータ) (2019-12-31T07:40:23Z)
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。