論文の概要: Heuristic machinery for thermodynamic studies of SU(N) fermions with
neural networks
- arxiv url: http://arxiv.org/abs/2006.14142v2
- Date: Sat, 19 Dec 2020 02:48:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-12 20:13:38.439813
- Title: Heuristic machinery for thermodynamic studies of SU(N) fermions with
neural networks
- Title(参考訳): ニューラルネットワークを用いたSU(N)フェルミオンの熱力学研究のためのヒューリスティック機械
- Authors: Entong Zhao, Jeongwon Lee, Chengdong He, Zejian Ren, Elnur Hajiyev,
Junwei Liu, and Gyu-Boong Jo
- Abstract要約: 機械学習分析を用いて機械を導入する。
我々は、SU($N$)スピン対称性内で相互作用する超低温フェルミオンの密度プロファイルにおける熱力学的研究の導出に機械を用いる。
我々の機械学習フレームワークは、SU($N$) フェルミ液体の理論的記述を検証できる可能性を示している。
- 参考スコア(独自算出の注目度): 1.1910997817688513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The power of machine learning (ML) provides the possibility of analyzing
experimental measurements with an unprecedented sensitivity. However, it still
remains challenging to probe the subtle effects directly related to physical
observables and to understand physics behind from ordinary experimental data
using ML. Here, we introduce a heuristic machinery by using machine learning
analysis. We use our machinery to guide the thermodynamic studies in the
density profile of ultracold fermions interacting within SU($N$) spin symmetry
prepared in a quantum simulator. Although such spin symmetry should manifest
itself in a many-body wavefuction, it is elusive how the momentum distribution
of fermions, the most ordinary measurement, reveals the effect of spin
symmetry. Using a fully trained convolutional neural network (NN) with a
remarkably high accuracy of $\sim$94$\%$ for detection of the spin
multiplicity, we investigate how the accuracy depends on various
less-pronounced effects with filtered experimental images. Guided by our
machinery, we directly measure a thermodynamic compressibility from density
fluctuations within the single image. Our machine learning framework shows a
potential to validate theoretical descriptions of SU($N$) Fermi liquids, and to
identify less-pronounced effects even for highly complex quantum matter with
minimal prior understanding.
- Abstract(参考訳): 機械学習(ML)のパワーは、前例のない感度で実験的な測定を分析する可能性を提供する。
しかし、物理観測物に直接関係する微妙な効果を探索し、MLを用いた通常の実験データから物理を理解することは依然として困難である。
本稿では,機械学習解析を用いたヒューリスティック機械を提案する。
量子シミュレータで作製したSU($N$)スピン対称性内で相互作用する超低温フェルミオンの密度分布における熱力学的研究の導出に機械を用いる。
このようなスピン対称性は多体導波路に現れなければならないが、フェルミオンの運動量分布がスピン対称性の影響を最も通常の測定値として示すことは明らかである。
スピン乗数の検出に$\sim$94$\%$という極めて高い精度で、完全に訓練された畳み込みニューラルネットワーク(NN)を用いて、その精度が、フィルタされた実験画像による様々な低輝度効果に依存するかを調べる。
機械によって導かれる熱力学的圧縮性は, 単一の画像内の密度変動から直接測定する。
我々の機械学習フレームワークは、SU($N$)のフェルミ液体の理論的記述を検証し、最小の事前理解を持つ非常に複雑な量子物質であっても、より顕著な効果を識別する可能性を示している。
関連論文リスト
- Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-03T06:19:20Z) - Sensing of magnetic field effects in radical-pair reactions using a
quantum sensor [50.591267188664666]
特定の化学反応における磁場効果(MFE)は、過去50年間によく確立されてきた。
我々は、局所的なスピン環境とセンサーとの結合を考慮して、ラジカル対の精巧で現実的なモデルを採用する。
2つのモデル系に対して、ラジカル対とNV量子センサの弱い結合状態においても検出可能なMFEの信号を導出する。
論文 参考訳(メタデータ) (2022-09-28T12:56:15Z) - Machine learning for excitation energy transfer dynamics [0.0]
我々は、生物状態におけるオープン量子力学をシミュレートするために、階層的な運動方程式(HEOM)を用いる。
我々は、光収穫錯体を通した電子励起のコヒーレントな伝播を表現した、時間依存オブザーバブルの集合を生成する。
我々は、この研究課題に対処する畳み込みニューラルネットワークの能力を実証する。
論文 参考訳(メタデータ) (2021-12-22T14:11:30Z) - Dispersive readout of molecular spin qudits [68.8204255655161]
複数の$d > 2$ スピン状態を持つ「巨大」スピンで表される磁性分子の物理を研究する。
動作の分散状態における出力モードの式を導出する。
キャビティ透過の測定により,クイディットのスピン状態が一意に決定できることがわかった。
論文 参考訳(メタデータ) (2021-09-29T18:00:09Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳(メタデータ) (2021-06-24T15:58:57Z) - Visualizing spinon Fermi surfaces with time-dependent spectroscopy [62.997667081978825]
固体系において確立されたツールである時間依存性光電子分光法を低温原子量子シミュレーターに応用することを提案する。
1次元の$t-J$モデルの正確な対角化シミュレーションで、スピノンが非占有状態の効率的なバンド構造に出現し始めることを示す。
ポンプパルス後のスペクトル関数の依存性はスピノン間の集団的相互作用を明らかにする。
論文 参考訳(メタデータ) (2021-05-27T18:00:02Z) - Analyzing non-equilibrium quantum states through snapshots with
artificial neural networks [0.0]
現在の量子シミュレーション実験は、以前は到達不可能な状態における非平衡多体力学を探求し始めている。
機械学習技術を用いて,相互作用量子系の力学,特に熱化挙動について検討する。
ニューラルネットワークは熱平衡データと非平衡を区別するように訓練され、ネットワーク性能はシステムの熱化挙動のプローブとして機能する。
論文 参考訳(メタデータ) (2020-12-21T18:59:21Z) - Ab initio Ultrafast Spin Dynamics in Solids [0.7874708385247353]
一般固体系の超高速スピンダイナミクスをシミュレートするために,リンドブラッド力学に基づく第一原理実時間密度行列法を提案する。
電子電子散乱は室温では無視できるが、n型GaAsのスピン緩和のために低温では支配的になる。
論文 参考訳(メタデータ) (2020-12-16T02:49:47Z) - Spin Entanglement and Magnetic Competition via Long-range Interactions
in Spinor Quantum Optical Lattices [62.997667081978825]
超低温物質中における空洞を介する長距離磁気相互作用と光学格子の効果について検討した。
競合シナリオを導入しながら,グローバルな相互作用がシステムの根底にある磁気特性を変化させていることが判明した。
これにより、量子情報目的のためのロバストなメカニズムの設計に向けた新しい選択肢が可能になる。
論文 参考訳(メタデータ) (2020-11-16T08:03:44Z) - Learning models of quantum systems from experiments [0.2740360306052669]
ハミルトニアンモデルは、科学と産業全体での物理的および化学的プロセスの研究と分析を支えている。
我々は、教師なし機械学習を用いて実験からハミルトンモデルを取得するためのアプローチを提案し、実証する。
論文 参考訳(メタデータ) (2020-02-14T18:37:50Z)
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。