論文の概要: Approach to the cellular automaton interpretation with deep learning
- arxiv url: http://arxiv.org/abs/2012.06441v6
- Date: Mon, 10 Jul 2023 15:31:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 19:53:32.584245
- 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: 細胞オートマトン解釈(CAI)に基づく基礎物理学理論を学習できるディープラーニングシステムについて検討する。
我々は,このシステムの時間進化法則を,計算したデータのみを用いて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。
- 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 deep learning systems that can learn
fundamental physics theory based on cellular automaton interpretation (CAI).
First, assuming that we can map quantum states to cellular automaton (CA) and
calculate the time-evolved 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 time-reversible CA. Mathematically,
finding a CNN architecture that can learn CA rule is equivalent to showing that
a time-evolution operator can be approximated as a finite composition of
time-independent linear functions and ReLU type non-linear functions, as the
possible associated generator of approximation may absorbs the information
about the dynamics. Going one step further, we will discuss the correspondence
between the quantum system and deep learning architecture and relate the
concept of moduli space of Riemann surfaces to deep learning parameters when
considering interactions. Finally, for the CA model in which the dimensional
reduction in quantum gravity was first presented, we will discuss the CNN
architecture that can find the non-trivial evolution law for holographic
direction in a deductive way without the label. It is suggested that the limits
to this effort can be improved through AdS/CFT correspondance.
- Abstract(参考訳): 本稿では,細胞オートマトン解釈(CAI)に基づいて基礎物理理論を学習する深層学習システムについて考察する。
まず、量子状態をセルオートマトン(CA)にマッピングし、与えられたシステムの時間進化則を知り、任意の初期CAの時間進化CAを計算することができると仮定すると、時間反転CAのために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。
数学的には、ca規則を学習できるcnnアーキテクチャを見つけることは、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近似できることを示すことと等価である。
さらに、量子システムと深層学習アーキテクチャの対応について論じ、相互作用を考慮したリーマン面のモジュライ空間の概念と深層学習パラメータとの関連性について論じる。
最後に、量子重力の次元減少が最初に示されたCAモデルについて、ラベルなしでホログラフィック方向の非自明な進化法則を導出できるCNNアーキテクチャについて論じる。
この取り組みの限界はAdS/CFT対応によって改善できることが示唆された。
関連論文リスト
- Cellular automata, many-valued logic, and deep neural networks [4.6259274880056385]
我々は、進化トレースから、細胞オートマトン(CA)の挙動を規定する論理的ルールを学ぶためのディープニューラルネットワークの基本能力を特徴付ける理論を開発する。
これはまず、CAとLukasiewicz命題論理の間の新しい接続を確立することで達成される。
繰り返しニューラルネットワークによりCAの動的挙動を実現できることを示す。
論文 参考訳(メタデータ) (2024-04-08T07:49:52Z) - 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) - 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 [110.99247009159726]
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。