論文の概要: Deep learning and high harmonic generation

• arxiv url: http://arxiv.org/abs/2012.10328v2
• Date: Mon, 4 Jan 2021 17:54:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 17:57:53.220302
• Title: Deep learning and high harmonic generation
• Title（参考訳）: 深層学習と高調波発生
• Authors: M. Lytova and M. Spanner and I. Tamblyn
• Abstract要約: 我々は,高調波発生(hhg)シナリオに適用する場合に,様々な深層ニューラルネットワーク(nns)の有用性を検討する。 まず,二原子系および三原子系の低次元モデルから時間依存双極子およびhhg放出スペクトルを予測するためにnnsを訓練する。 次に,ネットワークに適用可能性の範囲を広げるために,転送学習をネットワークに適用できることを実証する。
• 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: Using machine learning, we explore the utility of various deep neural networks (NN) when applied to high harmonic generation (HHG) scenarios. First, we train the NNs to predict the time-dependent dipole and spectra of HHG emission from reduced-dimensionality models of di- and triatomic systems based of on sets of randomly generated parameters (laser pulse intensity, internuclear distance, and molecular orientation). These networks, once trained, are useful tools to rapidly generate the HHG spectra of our systems. Similarly, we have trained the NNs to solve the inverse problem - to determine the molecular parameters based on HHG spectra or dipole acceleration data. These types of networks could then be used as spectroscopic tools to invert HHG spectra in order to recover the underlying physical parameters of a system. Next, we demonstrate that transfer learning can be applied to our networks to expand the range of applicability of the networks with only a small number of new test cases added to our training sets. Finally, we demonstrate NNs that can be used to classify molecules by type: di- or triatomic, symmetric or asymmetric, wherein we can even rely on fairly simple fully connected neural networks. With outlooks toward training with experimental data, these NN topologies offer a novel set of spectroscopic tools that could be incorporated into HHG experiments.
• Abstract（参考訳）: 機械学習を用いて,高調波発生(hhg)シナリオに適用した場合,様々な深層ニューラルネットワーク(nn)の有用性を検討する。 まず、ランダムに生成されたパラメータ(レーザーパルス強度、核間距離、分子配向)の集合に基づいて、二原子系および三原子系の低次元モデルから時間依存双極子およびhhg放出スペクトルを予測するためにnnsを訓練する。 トレーニングされたネットワークは,システムのHHGスペクトルを高速に生成するための有用なツールである。 同様に、我々は、HHGスペクトルまたは双極子加速度データに基づいて分子パラメータを決定するためにNNを訓練した。 これらのタイプのネットワークは、システムの物理パラメータを回復するためにhhgスペクトルを反転させる分光器として使用できる。 次に,トランスファー学習をネットワークに適用し,トレーニングセットに新たなテストケースを追加するだけで,ネットワークの適用範囲を拡大できることを実証する。 最後に、分子をdiまたは三原子、対称または非対称の型で分類するために使用できるnnを示す。 実験データを用いたトレーニングの展望により、これらのnnトポロジーはhhg実験に組み込むことができる新しい分光ツールセットを提供する。

関連論文リスト

• Spectrum-Informed Multistage Neural Networks: Multiscale Function Approximators of Machine Precision [1.2663244405597374]
  我々は,新しい多段階ニューラルネットワークを用いて,前段階から残余を学習する。 ニューラルネットワークのスペクトルバイアスにうまく取り組みました。 このアプローチにより、ニューラルネットワークはターゲット関数を二重浮動小数点マシン精度に適合させることができる。
  論文  参考訳（メタデータ） (2024-07-24T12:11:09Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Gradient Descent in Neural Networks as Sequential Learning in RKBS [63.011641517977644]
  初期重みの有限近傍にニューラルネットワークの正確な電力系列表現を構築する。 幅にかかわらず、勾配降下によって生成されたトレーニングシーケンスは、正規化された逐次学習によって正確に複製可能であることを証明した。
  論文  参考訳（メタデータ） (2023-02-01T03:18:07Z)
• Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a Polynomial Net Study [55.12108376616355]
  NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。 本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。 我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
  論文  参考訳（メタデータ） (2022-09-16T06:36:06Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
  PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。 これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。 このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。 我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
  論文  参考訳（メタデータ） (2022-02-27T23:12:43Z)
• Autoregressive neural-network wavefunctions for ab initio quantum chemistry [3.5987961950527287]
  新しい自己回帰型ニューラルネットワーク(ARN)による電子波動関数のパラメータ化 これにより、最大30個のスピン軌道を持つ分子上で電子構造計算を行うことができる。
  論文  参考訳（メタデータ） (2021-09-26T13:44:41Z)
• Adaptable Hamiltonian neural networks [0.0]
  Hamiltonian Neural Networks (HNN) は物理学で強化されたニューラルネットワークの主要なクラスである。 非線形物理系の適応予測が可能なHNNのクラスを紹介します。 我々は,パラメータ認識型HNNがカオスへの移行経路を予測できることを示した。
  論文  参考訳（メタデータ） (2021-02-25T23:53:51Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。