論文の概要: Approach to the cellular automaton interpretation with deep learning
- arxiv url: http://arxiv.org/abs/2012.06441v5
- Date: Thu, 1 Sep 2022 14:13:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-21 05:27:04.652311
- Title: Approach to the cellular automaton interpretation with deep learning
- Title(参考訳): 深層学習を用いたセルオートマトン解釈へのアプローチ
- Authors: Hyunju Go
- Abstract要約: セルオートマトン解釈(CAI)に基づく基礎物理学理論を学習できる機械学習システムについて検討する。
このシステムの時間進化法則を,ある例として計算したデータセットのみを用いて学習する,畳み込みニューラルネットワーク(CNN)アーキテクチャが存在することを示す。
- 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: In this paper, we will consider the machine learning system that can learn
fundamental physics theory based on cellular automaton interpretation (CAI).
First, assuming that we can calculate the time-evolved cellular automaton (CA)
for any initial CA by knowing the time-evolution law of the given system, we
will show that there exists a convolutional neural network (CNN) architecture
that can learn the time-evolution law of this system with only the calculated
data set for a certain example. Finding a CNN architecture that can learn CA is
equivalent to showing that a time-varying time-evolution operator can be
represented as a finite composition of time-independent linear functions and
ReLU type non-linear functions. As a concrete example, block CA, which is time
reversible and expressed as a matrix multiplication that changes with time,
will be used as the time-evolution law, and the CNN architecture that can learn
this evolution law will be proposed. However, by the universal approximation
theorem, even with data of arbitrary quantum systems, if the depth of the
network is deep enough, a CNN architecture that can learn actual rules can be
found, regardless of the Hamiltonian, and therefore, the time-evolution law can
be consistently expressed as a CNN. Also, since the convolution layer can be
expressed in a covariant form, it could be helpful to find a CNN architecture
that can learn the evolution law for a data set that includes gravity.
Meanwhile, it will be shown that if the activation function of the first and
last hidden layer is bypass, the CNN can be trained to include the
corresponding part of the probabilistic interpretation in conventional quantum
mechanics. Finally, for the CA model in which the dimensional reduction in
quantum gravity is first presented, we will discuss the CNN architecture that
can find the non-trivial evolution law in a deductive way.
- Abstract(参考訳): 本稿では,セルオートマトン解釈(CAI)に基づいて基礎物理理論を学習できる機械学習システムについて考察する。
まず,任意の初期CAの時間進化型セルオートマトン(CA)を,与えられたシステムの時間進化法則を知ることによって計算できると仮定すると,ある例として計算されたデータセットのみを用いて,このシステムの時間進化法則を学習できる畳み込みニューラルネットワーク(CNN)アーキテクチャが存在することを示す。
caを学べるcnnアーキテクチャを見つけることは、時間変化の時間発展作用素が時間に依存しない線型関数とrelu型非線形関数の有限合成として表現できることを示すのと同値である。
具体的な例として、時間的に可逆であり、時間とともに変化する行列乗法として表されるブロックCAが時間進化法則として使用され、この進化法則を学習できるCNNアーキテクチャが提案される。
しかし、普遍近似定理によれば、任意の量子系のデータであっても、ネットワークの深さが十分に深いならば、ハミルトニアンによらず実際のルールを学習できるcnnアーキテクチャを見つけることができ、したがって時間発展法則は一貫してcnnとして表現することができる。
また、畳み込み層は共変形式で表現できるので、重力を含むデータセットの進化則を学ぶことができるcnnアーキテクチャを見つけるのに役立つかもしれない。
一方、第1層と第2層の活性化関数がバイパスされた場合、CNNは従来の量子力学において確率論的解釈の対応する部分を含むように訓練することができる。
最後に、量子重力の次元的減少が最初に提示されるCAモデルについて、非自明な進化則を導出的に見つけることができるCNNアーキテクチャについて論じる。
関連論文リスト
- An exact mathematical description of computation with transient
spatiotemporal dynamics in a complex-valued neural network [33.7054351451505]
線形時間遅延相互作用を持つ複素数値ニューラルネットワーク(-NN)について検討する。
cv-NNは、部分的に同期したキメラ適応状態を含む洗練されたダイナミクスを表示する。
我々は,生体ニューロンによってcv-NN計算の計算が可能であることが実証された。
論文 参考訳(メタデータ) (2023-11-28T02:23:30Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳(メタデータ) (2023-08-22T09:11:53Z) - 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) - Revealing microcanonical phase diagrams of strongly correlated systems
via time-averaged classical shadows [0.0]
本稿では,量子力学から量子コンピュータ上のミクロカノニカル相と相転移を研究する手法を提案する。
まず,100量子ビット系の基底状態計算に適用し,磁化と磁場の幾何学的関係を明らかにする。
次に、量子力学シミュレーションによるTACSデータの拡散マップは、位相決定特性を効率よく学習し、量子臨界領域を正しく同定することを示した。
論文 参考訳(メタデータ) (2022-11-02T16:39:52Z) - Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling
and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。
異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。
出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文 参考訳(メタデータ) (2022-03-29T21:18:47Z) - Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。
egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。
このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
論文 参考訳(メタデータ) (2022-01-13T16:35:45Z) - 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) - KalmanNet: Neural Network Aided Kalman Filtering for Partially Known
Dynamics [84.18625250574853]
KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。
我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
論文 参考訳(メタデータ) (2021-07-21T12:26:46Z) - Can Temporal-Difference and Q-Learning Learn Representation? A
Mean-Field Theory [117.82588669343387]
時間差とQ-ラーニングは、ニューラルネットワークのような表現力のある非線形関数近似器によって強化される深層強化学習において重要な役割を担っている。
特に時間差学習は、関数近似器が特徴表現において線形であるときに収束する。
論文 参考訳(メタデータ) (2020-06-08T17:25:22Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z) - Eigen component analysis: A quantum theory incorporated machine learning
technique to find linearly maximum separable components [0.0]
量子力学において、状態は複数の固有状態の重ね合わせである。
線形学習モデルである固有成分分析(ECA)を提案する。
ECAは、特徴抽出、分類、辞書、ディープラーニングのためのアルゴリズム設計に量子力学の原理を取り入れている。
論文 参考訳(メタデータ) (2020-03-23T12:02:02Z)
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。