論文の概要: Correlator Convolutional Neural Networks: An Interpretable Architecture
for Image-like Quantum Matter Data
- arxiv url: http://arxiv.org/abs/2011.03474v1
- Date: Fri, 6 Nov 2020 17:04:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 05:51:04.117041
- Title: Correlator Convolutional Neural Networks: An Interpretable Architecture
for Image-like Quantum Matter Data
- Title（参考訳）: Correlator Convolutional Neural Networks: Image-like Quantum Matter Dataのための解釈可能なアーキテクチャ
- Authors: Cole Miles, Annabelle Bohrdt, Ruihan Wu, Christie Chiu, Muqing Xu,
Geoffrey Ji, Markus Greiner, Kilian Q. Weinberger, Eugene Demler, Eun-Ah Kim
- Abstract要約: 本研究では,物理オブザーバブルの観点から直接解釈可能なデータの特徴を発見するネットワークアーキテクチャを開発する。
私たちのアプローチは、シンプルでエンドツーエンドの解釈可能なアーキテクチャの構築に役立ちます。
- 参考スコア（独自算出の注目度）: 15.283214387433082
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning models are a powerful theoretical tool for analyzing data
from quantum simulators, in which results of experiments are sets of snapshots
of many-body states. Recently, they have been successfully applied to
distinguish between snapshots that can not be identified using traditional one
and two point correlation functions. Thus far, the complexity of these models
has inhibited new physical insights from this approach. Here, using a novel set
of nonlinearities we develop a network architecture that discovers features in
the data which are directly interpretable in terms of physical observables. In
particular, our network can be understood as uncovering high-order correlators
which significantly differ between the data studied. We demonstrate this new
architecture on sets of simulated snapshots produced by two candidate theories
approximating the doped Fermi-Hubbard model, which is realized in state-of-the
art quantum gas microscopy experiments. From the trained networks, we uncover
that the key distinguishing features are fourth-order spin-charge correlators,
providing a means to compare experimental data to theoretical predictions. Our
approach lends itself well to the construction of simple, end-to-end
interpretable architectures and is applicable to arbitrary lattice data, thus
paving the way for new physical insights from machine learning studies of
experimental as well as numerical data.
- Abstract（参考訳）: 機械学習モデルは、実験結果が多体状態のスナップショットの集合である量子シミュレータからデータを分析する強力な理論ツールである。
近年,従来の1点相関関数と2点相関関数では識別できないスナップショットの識別に成功している。
これまでのところ、これらのモデルの複雑さはこのアプローチからの新たな物理的洞察を阻害している。
ここでは、新しい非線形性の集合を用いて、物理観測可能量を直接解釈可能なデータの特徴を発見するネットワークアーキテクチャを開発する。
特に,我々のネットワークは,研究データとは大きく異なる高次相関器を発見できる。
量子ガス顕微鏡の最先端実験で実現されるフェルミ・ハバード模型を近似する2つの候補理論によるシミュレーションスナップショットのセット上に,この新しいアーキテクチャを実証する。
トレーニングされたネットワークから、重要な特徴が4階スピンチャージ相関器であることを発見し、実験データと理論的予測を比較する手段を提供する。
我々のアプローチは、単純なエンドツーエンドの解釈可能なアーキテクチャの構築に適しており、任意の格子データに適用できるため、実験データだけでなく、実験データの機械学習研究からの新たな物理洞察の道を開くことができる。
関連論文リスト
- Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。
3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
論文 参考訳（メタデータ） (2024-10-31T22:54:34Z) - Homological Neural Networks: A Sparse Architecture for Multivariate
Complexity [0.0]
我々は,基礎となるデータのホモロジー構造上に構築された,疎密な高階グラフィカルアーキテクチャを特徴とする,新しいディープニューラルネットワークユニットを開発する。
その結果、この新しい設計の利点は、ごく少数のパラメータだけで最先端の機械学習モデルとディープラーニングモデルの結果を結び付けるか、克服することができる。
論文 参考訳（メタデータ） (2023-06-27T09:46:16Z) - On the Joint Interaction of Models, Data, and Features [82.60073661644435]
本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。
これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。
この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
論文 参考訳（メタデータ） (2023-06-07T21:35:26Z) - 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) - Robust Graph Representation Learning via Predictive Coding [46.22695915912123]
予測符号化は、当初脳の情報処理をモデル化するために開発されたメッセージパッシングフレームワークである。
本研究では,予測符号化のメッセージパス規則に依存するモデルを構築する。
提案したモデルは,帰納的タスクと帰納的タスクの両方において,標準的なモデルに匹敵する性能を示す。
論文 参考訳（メタデータ） (2022-12-09T03:58:22Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - An Information-Theoretic Framework for Supervised Learning [22.280001450122175]
後悔とサンプルの複雑さという独自の概念を持つ新しい情報理論フレームワークを提案する。
本稿では、ReLUアクティベーションユニットを用いたディープニューラルネットワークによって生成されたデータから学習する際のサンプルの複雑さについて検討する。
我々は、ランダムな単層ニューラルネットワークの実験的な解析により、理論結果を裏付けることで結論付ける。
論文 参考訳（メタデータ） (2022-03-01T05:58:28Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Multi-scale Feature Learning Dynamics: Insights for Double Descent [71.91871020059857]
一般化誤差の「二重降下」現象について検討する。
二重降下は、異なるスケールで学習される異なる特徴に起因する可能性がある。
論文 参考訳（メタデータ） (2021-12-06T18:17:08Z)
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。