Fugu-MT 論文翻訳(概要): Sampling asymmetric open quantum systems for artificial neural networks

論文の概要: Sampling asymmetric open quantum systems for artificial neural networks

arxiv url: http://arxiv.org/abs/2012.10990v2
Date: Sat, 17 Apr 2021 09:53:10 GMT
ステータス: 処理完了
システム内更新日: 2023-04-20 02:27:30.500541
Title: Sampling asymmetric open quantum systems for artificial neural networks
Title（参考訳）: 人工ニューラルネットワークのためのサンプリング非対称開量子システム
Authors: Oliver K\"astle and Alexander Carmele
Abstract要約: 非対称な開系に対する高速収束時間と高いスケーラビリティを実現し,非対称性を考慮したハイブリッドサンプリング戦略を提案する。我々は、ニューラルネットワークの普遍的適用性を強調し、ニューラルネットワークの普遍的適用性を概説する。
参考スコア（独自算出の注目度）: 77.34726150561087
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While established neural network approaches based on restricted Boltzmann machine architectures and Metropolis sampling methods are well suited for symmetric open quantum systems, they result in poor scalability and systematic errors for setups without symmetries of translational invariance, independent of training parameters such as the sample size. To overcome this representational limit, we present a hybrid sampling strategy which takes asymmetric properties explicitly into account, achieving fast convergence times and high scalability for asymmetric open systems, underlining the universal applicability of artificial neural networks.
Abstract（参考訳）: 制限されたボルツマンマシンアーキテクチャとメトロポリスサンプリング手法に基づく確立されたニューラルネットワークアプローチは、対称なオープン量子システムに適しているが、それらは、サンプルサイズのようなトレーニングパラメータによらず、翻訳不変性の対称性を持たないセットアップのスケーラビリティと体系的なエラーをもたらす。この表現限界を克服するために、非対称特性を明示的に考慮し、非対称オープンシステムに対する高速収束時間と高いスケーラビリティを達成し、人工ニューラルネットワークの普遍的適用性を説明するハイブリッドサンプリング戦略を提案する。

関連論文リスト

The Empirical Impact of Neural Parameter Symmetries, or Lack Thereof [50.49582712378289]
ニューラル・ネットワーク・アーキテクチャの導入により,ニューラル・パラメータ・対称性の影響について検討する。我々は,パラメータ空間対称性を低減するために,標準的なニューラルネットワークを改良する2つの手法を開発した。実験により,パラメータ対称性の経験的影響に関する興味深い観察がいくつか示された。
論文参考訳（メタデータ） (2024-05-30T16:32:31Z)
Approximately-symmetric neural networks for quantum spin liquids [0.4369058206183195]
本稿では,量子スピン液体問題に対するほぼ対称なニューラルネットワーク群の提案と解析を行う。我々の研究は、解釈可能なニューラルネットワークアーキテクチャにおける量子スピン液体問題の研究への道を開いた。
論文参考訳（メタデータ） (2024-05-27T18:00:00Z)
Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文参考訳（メタデータ） (2024-05-22T17:23:15Z)
Neural Network Solutions of Bosonic Quantum Systems in One Dimension [0.0]
我々は、ニューラルネットワークを用いて、いくつかの異なる積分可能なボソニック量子系を1次元で研究することで、方法論をベンチマークする。多数の粒子を持つシステムに対する手続きのスケーラビリティをテストする一方で、ニューラルネットワークに対称関数入力を導入し、区別不能な粒子の交換対称性を強制する。
論文参考訳（メタデータ） (2023-09-05T16:08:48Z)
Quantum Transport in Open Spin Chains using Neural-Network Quantum States [11.137438870686026]
本研究では,制限されたボルツマンマシンに基づく非対称開量子系のニューラルネットワークによる処理について検討する。特に、境界駆動(異方性)ハイゼンベルクスピン鎖における非平衡定常電流に関心がある。
論文参考訳（メタデータ） (2022-12-27T11:30:47Z)
Symmetric Pruning in Quantum Neural Networks [111.438286016951]
量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
論文参考訳（メタデータ） (2022-08-30T08:17:55Z)
Federated Learning with Quantum Secure Aggregation [23.385315728881295]
このスキームは、プライベートモデルパラメータが半正直な攻撃者に開示されるのを防ぐために安全である。提案されたセキュリティメカニズムにより、プライベートモデルのパラメータを盗聴しようとする試みが直ちに検出され、停止されることが保証される。
論文参考訳（メタデータ） (2022-07-09T13:21:36Z)
Complexity from Adaptive-Symmetries Breaking: Global Minima in the Statistical Mechanics of Deep Neural Networks [0.0]
深部ニューラルネットワーク(DNN)を理解するために、物理における保守対称性への適応対称性というアンチセティカル概念を提案する。我々はDNNシステムの最適化過程を適応対称性破りの拡張プロセスとして特徴付けている。より具体的には、この過程は統計物理学の一般化として評価できる統計力学モデルによって特徴づけられる。
論文参考訳（メタデータ） (2022-01-03T09:06:44Z)
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)
Formal Synthesis of Lyapunov Neural Networks [61.79595926825511]
本稿では,リアプノフ関数の自動合成法を提案する。我々は,数値学習者と記号検証器が相互作用して,確実に正しいリアプノフニューラルネットワークを構築する,反例誘導方式を採用する。提案手法は,Lyapunov関数を他の手法よりも高速かつ広い空間領域で合成する。
論文参考訳（メタデータ） (2020-03-19T17:21:02Z)

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。