Fugu-MT 論文翻訳(概要): Dynamical large deviations of two-dimensional kinetically constrained models using a neural-network state ansatz

論文の概要: Dynamical large deviations of two-dimensional kinetically constrained models using a neural-network state ansatz

arxiv url: http://arxiv.org/abs/2011.08657v1
Date: Tue, 17 Nov 2020 14:39:47 GMT
ステータス: 処理完了
システム内更新日: 2022-09-24 17:57:38.530613
Title: Dynamical large deviations of two-dimensional kinetically constrained models using a neural-network state ansatz
Title（参考訳）: ニューラルネットワーク状態アンサッツを用いた2次元運動的拘束モデルの動的大偏差
Authors: Corneel Casert, Tom Vieijra, Stephen Whitelam, Isaac Tamblyn
Abstract要約: 我々は、元々量子システムの変分最適化のために設計されたニューラルネットワークアンサッツを用いて、古典的な量子系の大きな偏差を研究する。 1次元と2次元のフレドリクソン・アンデルセンモデルの動的活動に対するスケールした累積生成関数を得る。
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: We use a neural network ansatz originally designed for the variational optimization of quantum systems to study dynamical large deviations in classical ones. We obtain the scaled cumulant-generating function for the dynamical activity of the Fredrickson-Andersen model, a prototypical kinetically constrained model, in one and two dimensions, and present the first size-scaling analysis of the dynamical activity in two dimensions. These results provide a new route to the study of dynamical large-deviation functions, and highlight the broad applicability of the neural-network state ansatz across domains in physics.
Abstract（参考訳）: 量子システムの変動最適化のために当初設計されたニューラルネットワークansatzを用いて、古典的システムの動的大きな偏差を研究する。本研究では,1次元および2次元の速度論的拘束モデルであるfredrickson-andersenモデルの力学活性に対するスケールド累積生成関数を求め,2次元の力学活性の初めてのスケール解析を行った。これらの結果は、動的大偏差関数の研究への新たな経路を提供し、物理学領域における神経ネットワーク状態アンサッツの幅広い適用性を強調している。

関連論文リスト

Towards Model Discovery Using Domain Decomposition and PINNs [44.99833362998488]
物理インフォームドニューラルネットワーク(PINN)と有限基底物理インフォームドニューラルネットワーク(FBPINN)の2つの手法の性能評価を行った。バニラPINN法と比較して,準定常時間領域のみのデータがほとんどない場合であっても,FBPINN法の方が優れた性能を示す。
論文参考訳（メタデータ） (2024-10-02T14:38:37Z)
Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文参考訳（メタデータ） (2024-09-05T18:14:22Z)
Modeling Latent Neural Dynamics with Gaussian Process Switching Linear Dynamical Systems [2.170477444239546]
ガウス過程スイッチング線形力学系(gpSLDS)の2つの目的をバランスさせるアプローチを開発する。我々の手法は、非線形力学をガウス過程(GP-SDE)で記述した微分方程式による潜在状態の進化をモデル化した以前の研究に基づいている。本手法は, 離散状態境界近傍の力学における人工振動など, rSLDS の重要な限界を解消するとともに, 力学の後方不確かさを推定する。
論文参考訳（メタデータ） (2024-07-19T15:32:15Z)
Do We Need an Encoder-Decoder to Model Dynamical Systems on Networks? [18.92828441607381]
埋め込みは観察によく適合するが、同時に誤った動的挙動を持つモデルを誘導することを示す。 2つの加法的ベクトル場成分をパラメトリした単純な埋め込み自由な代替法を提案する。
論文参考訳（メタデータ） (2023-05-20T12:41:47Z)
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)
ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-02-11T21:07:30Z)
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)
EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文参考訳（メタデータ） (2022-02-21T18:59:03Z)
Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文参考訳（メタデータ） (2021-11-02T10:51:42Z)
Dynamics of two-dimensional open quantum lattice models with tensor networks [0.0]
熱力学的極限に直接適用可能な無限射影ペア演算子(iPEPO)アンサッツに基づくテンソルネットワーク法を開発した。非平均場限界における散逸的逆量子イジングと駆動散逸型ハードコアボソンモデルを考える。提案手法は,既存の手法の適用範囲をはるかに超えながら,現在の実験に利用できる制度を研究できる。
論文参考訳（メタデータ） (2020-12-22T18:24:20Z)
Physics-Based Deep Neural Networks for Beam Dynamics in Charged Particle Accelerators [0.0]
力学の表現で生じるテイラー写像は、ニューラルネットワークの重みにマッピングされる。得られたネットワークは、トレーニング前に完全な精度で力学系を近似する。本稿では,既存のPETRA IIIと,DESYにおけるPETRA IVストレージリングの例を紹介する。
論文参考訳（メタデータ） (2020-07-07T15:33:11Z)

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。