論文の概要: Linear embedding of nonlinear dynamical systems and prospects for
efficient quantum algorithms
- arxiv url: http://arxiv.org/abs/2012.06681v2
- Date: Thu, 10 Jun 2021 18:47:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-21 01:20:03.493777
- Title: Linear embedding of nonlinear dynamical systems and prospects for
efficient quantum algorithms
- Title(参考訳): 非線形力学系の線形埋め込みと効率的な量子アルゴリズムの展望
- Authors: Alexander Engel, Graeme Smith, Scott E. Parker
- Abstract要約: 有限非線形力学系を無限線型力学系(埋め込み)にマッピングする方法を述べる。
次に、有限線型系 (truncation) による結果の無限線型系を近似するアプローチを検討する。
- 参考スコア(独自算出の注目度): 74.17312533172291
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The simulation of large nonlinear dynamical systems, including systems
generated by discretization of hyperbolic partial differential equations, can
be computationally demanding. Such systems are important in both fluid and
kinetic computational plasma physics. This motivates exploring whether a future
error-corrected quantum computer could perform these simulations more
efficiently than any classical computer. We describe a method for mapping any
finite nonlinear dynamical system to an infinite linear dynamical system
(embedding) and detail three specific cases of this method that correspond to
previously-studied mappings. Then we explore an approach for approximating the
resulting infinite linear system with finite linear systems (truncation). Using
a number of qubits only logarithmic in the number of variables of the nonlinear
system, a quantum computer could simulate truncated systems to approximate
output quantities if the nonlinearity is sufficiently weak. Other aspects of
the computational efficiency of the three detailed embedding strategies are
also discussed.
- Abstract(参考訳): 双曲偏微分方程式の離散化によって生成される系を含む大きな非線形力学系のシミュレーションは、計算的に要求される。
このような系は流体と速度論的プラズマ物理学の両方において重要である。
これは、将来の誤り訂正量子コンピュータがどの古典的コンピュータよりも効率的にこれらのシミュレーションを実行できるかどうかを探求する動機である。
本稿では,任意の有限非線形力学系を無限線形力学系(埋め込み)にマッピングする方法について述べる。
そこで, 有限線型系 (truncation) を用いて無限線形系を近似する手法について検討する。
量子コンピュータは、非線形システムの変数数に対数のみの量子ビット数を用いることで、非線形性が十分に弱ければ出力量を近似するために、切断されたシステムをシミュレートすることができる。
3つの詳細埋め込み戦略の計算効率の他の側面についても論じる。
関連論文リスト
- Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳(メタデータ) (2024-11-04T11:09:58Z) - Metric-Entropy Limits on Nonlinear Dynamical System Learning [4.069144210024563]
本稿では,リプシッツ特性を満足する非線形系を学習し,計量エントロピーの最適方法で過去の入力を十分に早く忘れることのできるリカレントニューラルネットワーク(RNN)について述べる。
私たちが考えるシーケンス・ツー・シーケンス・マップの集合は、ディープ・ニューラルネットワーク近似理論において一般的に考慮される関数クラスよりもはるかに大きいので、洗練された計量エントロピー特性が必要である。
論文 参考訳(メタデータ) (2024-07-01T12:57:03Z) - Koopman-based Deep Learning for Nonlinear System Estimation [1.3791394805787949]
複素非線形系の有意な有限次元表現を抽出するために、クープマン作用素理論に基づく新しいデータ駆動線形推定器を提案する。
我々の推定器は推定された非線形系の微分同相変換にも適応しており、再学習せずに最適な状態推定を計算できる。
論文 参考訳(メタデータ) (2024-05-01T16:49:54Z) - A Polynomial Time Quantum Algorithm for Exponentially Large Scale Nonlinear Differential Equations via Hamiltonian Simulation [1.6003521378074745]
量子コンピュータ上で効率よく解ける非線形ODEのクラスを導入する。
具体的には、非線形ODEの系をハミルトン力学にマッピングするために、クープマン・フォン・ノイマン線型化を用いる。
これにより、$O(rm log(N))$ overhead で非線形ODEを解くのに最適なハミルトンシミュレーション手法を利用できる。
論文 参考訳(メタデータ) (2023-05-01T04:22:56Z) - Generalized Quadratic Embeddings for Nonlinear Dynamics using Deep
Learning [11.339982217541822]
本稿では非線形システムの力学をモデル化するためのデータ駆動手法を提案する。
本研究では,昇降原理に着想を得た2次系を共通構造として用いることを提案する。
論文 参考訳(メタデータ) (2022-11-01T10:03:34Z) - Challenges for quantum computation of nonlinear dynamical systems using linear representations [2.2000635322691378]
実現可能な有限次元空間への必要な射影は、実際には除去や制御が難しい数値的アーティファクトを誘導することを示します。
結果として、一般的な非線形力学系を解くために量子計算を実用的で信頼性が高く正確に利用する方法は、まだ未解決の問題である。
論文 参考訳(メタデータ) (2022-02-04T15:29:53Z) - Exact solutions of interacting dissipative systems via weak symmetries [77.34726150561087]
我々は任意の強い相互作用や非線形性を持つクラスマルコフ散逸系(英語版)のリウヴィリアンを解析的に対角化する。
これにより、フルダイナミックスと散逸スペクトルの正確な記述が可能になる。
我々の手法は他の様々なシステムに適用でき、複雑な駆動散逸量子系の研究のための強力な新しいツールを提供することができる。
論文 参考訳(メタデータ) (2021-09-27T17:45:42Z) - StarNet: Gradient-free Training of Deep Generative Models using
Determined System of Linear Equations [47.72653430712088]
本稿では,線形方程式の解法に基づく深層生成モデルの学習手法を提案する。
StarNetと呼ばれるこのアプローチを使用するネットワークには、以下の望ましい特性があります。
論文 参考訳(メタデータ) (2021-01-03T08:06:42Z) - Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。
そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。
本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文 参考訳(メタデータ) (2020-06-18T04:54:11Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z)
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。