Fugu-MT 論文翻訳(概要): Machine Learning for Phase Behavior in Active Matter Systems

論文の概要: Machine Learning for Phase Behavior in Active Matter Systems

arxiv url: http://arxiv.org/abs/2011.09458v1
Date: Wed, 18 Nov 2020 18:35:23 GMT
ステータス: 処理完了
システム内更新日: 2022-09-24 03:44:55.448998
Title: Machine Learning for Phase Behavior in Active Matter Systems
Title（参考訳）: アクティブマターシステムにおける相挙動の機械学習
Authors: Austin R. Dulaney and John F. Brady
Abstract要約: 我々は、グラフニューラルネットワークとともに完全に接続されたネットワークを使用して、粒子がどのフェーズに属しているかを予測する。我々は希薄粒子の分数を計算することができ、系が均質希薄領域、密度領域、共存領域にあるかどうかを決定することができる。
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 demonstrate that deep learning techniques can be used to predict motility induced phase separation (MIPS) in suspensions of active Brownian particles (ABPs) by creating a notion of phase at the particle level. Using a fully connected network in conjunction with a graph neural network we use individual particle features to predict to which phase a particle belongs. From this, we are able to compute the fraction of dilute particles to determine if the system is in the homogeneous dilute, dense, or coexistence region. Our predictions are compared against the MIPS binodal computed from simulation. The strong agreement between the two suggests that machine learning provides an effective way to determine the phase behavior of ABPs and could prove useful for determining more complex phase diagrams.
Abstract（参考訳）: 本研究では, 動的ブラウン粒子 (ABP) の懸濁液中における運動性誘導相分離 (MIPS) の予測に, 粒子レベルでの位相の概念を作成することにより, 深層学習技術を用いることを実証した。グラフニューラルネットワークと完全に接続されたネットワークを使用することで、個々の粒子の特徴を用いて、粒子がどのフェーズに属するかを予測する。これにより、希薄粒子の分数を計算し、系が均質な希薄、密度、共存領域にあるかどうかを判定することができる。シミュレーションから計算したMIPSビノダルとの比較を行った。両者の強い合意は、機械学習がAPPの位相挙動を決定する効果的な方法を提供し、より複雑な位相図を決定するのに役立つことを示唆している。

関連論文リスト

Simulating kaon mixing with Josephson phase qubits [0.0]
本稿では、この位相量子ビットの顕著な性質を用いて、マクロ量子状態における重ね合わせ原理の妥当性をさらに検証する方法について述べる。
論文参考訳（メタデータ） (2024-09-07T20:13:39Z)
Electrostatics-based particle sampling and approximate inference [0.0]
静電気学とニュートン力学の原理に基づく新しい粒子に基づくサンプリングおよび近似推論法が導入された。より一般的な推論問題において、離散時間離散空間のアルゴリズム設計が使用される。
論文参考訳（メタデータ） (2024-06-28T16:53:06Z)
Deep learning probability flows and entropy production rates in active matter [15.238808518078567]
本研究では,高次元確率密度のスコアを推定するディープラーニングフレームワークを開発する。スコアを表すために,空間的に局所的なトランスフォーマーネットワークアーキテクチャを導入する。 1つのパッキング分数で4096粒子の系で訓練された1つのネットワークが、位相図の他の領域に一般化可能であることを示す。
論文参考訳（メタデータ） (2023-09-22T16:44:18Z)
Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文参考訳（メタデータ） (2023-02-10T08:05:19Z)
Phase Diagram Detection via Gaussian Fitting of Number Probability Distribution [0.0]
本研究では,グローバルに保存された粒子数を持つ量子多体系のサブポーションを特徴付ける数確率密度関数について検討する。リッチな1次元拡張Bose-Hubbardモデルの基底状態位相図をマッピングできる線形フィッティングプロトコルを提案する。
論文参考訳（メタデータ） (2022-07-04T15:15:01Z)
Accessing the topological Mott insulator in cold atom quantum simulators with realistic Rydberg dressing [58.720142291102135]
本稿では, コールド・ライドバーグ型原子を用いた光学格子の量子シミュレーションの現実的シナリオについて検討する。本研究では, 平均場近似において, 半次および非共役充填時の位相図の詳細な解析を行う。さらに、平均場近似における温度に対する相の安定性について検討する。
論文参考訳（メタデータ） (2022-03-28T14:55:28Z)
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)
Observation-dependent suppression and enhancement of two-photon coincidences by tailored losses [68.8204255655161]
ホン・ウー・マンデル効果(HOM)は、バランスビームスプリッターの出力ポート間での2粒子の一致を完璧に抑制することができる。そこで本研究では,2つのボソンの2粒子同時一致統計をシームレスに調整し,精度の向上を実証した。この結果から,非エルミート的設定を多粒子量子状態の操作に利用するための新しいアプローチが明らかになった。
論文参考訳（メタデータ） (2021-05-12T06:47:35Z)
Statistical Approach to Quantum Phase Estimation [62.92678804023415]
位相推定アルゴリズム(PEA)に新しい統計的・変動的アプローチを導入する。固有位相推定のみを返す従来的かつ反復的なPEAとは異なり、提案手法は未知の固有状態-固有位相対を決定できる。本稿では,IBM Qプラットフォームおよびローカルコンピュータ上で,Qiskitパッケージを用いた手法のシミュレーション結果を示す。
論文参考訳（メタデータ） (2021-04-21T00:02:00Z)
Automatic Particle Trajectory Classification in Plasma Simulations [0.0]
粒子軌道空間を探索し、プラズマシミュレーションから粒子軌道を自動的に分類するための一般的なワークフローを提供する。磁気リコネクション問題における電子軌道の分類によるワークフローの実証を行う。本手法は,従来の文献からの既存結果の復元に成功し,基礎となるシステムに関する事前知識は得られなかった。
論文参考訳（メタデータ） (2020-10-11T21:15:18Z)
When is Particle Filtering Efficient for Planning in Partially Observed Linear Dynamical Systems? [60.703816720093016]
本稿では, 逐次計画における粒子フィルタリングの効率性について検討する。我々は、粒子フィルタリングに基づくポリシーの長期報酬が正確な推測に基づいてそれに近いように、必要な粒子の数に縛り付けることができる。このテクニックは、他のシーケンシャルな意思決定問題に有効であると考えています。
論文参考訳（メタデータ） (2020-06-10T17:43:43Z)

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。