論文の概要: Machine-learning enhanced dark soliton detection in Bose-Einstein condensates

• arxiv url: http://arxiv.org/abs/2101.05404v1
• Date: Thu, 14 Jan 2021 00:44:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-29 00:53:46.481326
• Title: Machine-learning enhanced dark soliton detection in Bose-Einstein condensates
• Title（参考訳）: 機械学習によるボース・アインシュタイン凝縮体のダークソリトン検出
• Authors: Shangjie Guo, Amilson R. Fritsch, Craig Greenberg, I. B. Spielman, Justyna P. Zwolak
• Abstract要約: 原子ボース・アインシュタイン凝縮体(BEC)における局所励起の自動分類と位置決めシステムについて述べる。 私たちは、機械学習の研究のために、最初のダークソリトンのラベル付きデータセットをオープンに公開しました。
• 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: Most data in cold-atom experiments comes from images, the analysis of which is limited by our preconceptions of the patterns that could be present in the data. We focus on the well-defined case of detecting dark solitons -- appearing as local density depletions in a BEC -- using a methodology that is extensible to the general task of pattern recognition in images of cold atoms. Studying soliton dynamics over a wide range of parameters requires the analysis of large datasets, making the existing human-inspection-based methodology a significant bottleneck. Here we describe an automated classification and positioning system for identifying localized excitations in atomic Bose-Einstein condensates (BECs) utilizing deep convolutional neural networks to eliminate the need for human image examination. Furthermore, we openly publish our labeled dataset of dark solitons, the first of its kind, for further machine learning research.
• Abstract（参考訳）: コールド原子実験のほとんどのデータは画像から得られており、その分析は、データに存在する可能性のあるパターンの先入観によって制限される。 コールド原子の画像におけるパターン認識の一般的なタスクに拡張可能な手法を用いて、暗黒ソリトン(BECの局所密度低下として現れる)を検出するという明確なケースに焦点を当てる。 幅広いパラメータにわたってソリトンダイナミクスを研究するには、大規模なデータセットの分析が必要である。 本稿では,深層畳み込みニューラルネットワークを用いた原子ボース・アインシュタイン凝縮体(becs)の局所的な励起を識別する自動分類・位置決めシステムについて述べる。 さらに、機械学習研究のために、我々のラベル付きデータセットであるdark solitons(ダークソリトン)をオープンに公開しています。

関連論文リスト

• Effort: Efficient Orthogonal Modeling for Generalizable AI-Generated Image Detection [66.16595174895802]
  既存のAI生成画像(AIGI)検出手法は、しばしば限定的な一般化性能に悩まされる。 本稿では、AIGI検出において、これまで見過ごされてきた重要な非対称性現象を同定する。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Generative Edge Detection with Stable Diffusion [52.870631376660924]
  エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。 本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。 複数のデータセットに対して広範な実験を行い、競争性能を達成する。
  論文  参考訳（メタデータ） (2024-10-04T01:52:23Z)
• Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection [86.97062579515833]
  我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。 tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。 この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
  論文  参考訳（メタデータ） (2023-12-16T14:27:06Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Detecting Images Generated by Deep Diffusion Models using their Local Intrinsic Dimensionality [8.968599131722023]
  拡散モデルは驚くほどリアルな画像の視覚合成に成功している。 これにより、悪意のある目的のために、彼らの可能性に対する強い懸念が持ち上がる。 合成画像の自動検出に軽量な多重局所固有次元法(multiLID)を提案する。
  論文  参考訳（メタデータ） (2023-07-05T15:03:10Z)
• Multiscale Convolutional Transformer with Center Mask Pretraining for Hyperspectral Image Classificationtion [14.33259265286265]
  本稿では,空間スペクトル情報の効率的な抽出を実現するために,高スペクトル画像(HSI)のための高速多スケール畳み込みモジュールを提案する。 マスクオートエンコーダと同様に、我々の事前学習法は、エンコーダ内の中央画素の対応するトークンのみをマスクし、残りのトークンをデコーダに入力し、中央画素のスペクトル情報を再構成する。
  論文  参考訳（メタデータ） (2022-03-09T14:42:26Z)
• Combining Machine Learning with Physics: A Framework for Tracking and Sorting Multiple Dark Solitons [0.0]
  超低温原子実験では、データは情報損失を被る画像の形で現れることが多い。 機械学習(ML)モデルと物理に基づく伝統的な分析を組み合わせたフレームワークについて述べる。 このフレームワークの訓練された実装であるSolDetは、オープンソースのpythonパッケージとして公開されています。
  論文  参考訳（メタデータ） (2021-11-08T23:49:04Z)
• Dark soliton detection using persistent homology [0.0]
  実験画像データの質的特徴を迅速かつ確実に識別するために, トポロジ的データ解析手法, 永続的ホモロジーを用いる方法を示す。 識別された機能は、ロジスティック回帰モデルのような単純な教師付き機械学習モデルの入力として使用することができる。
  論文  参考訳（メタデータ） (2021-07-21T02:45:06Z)
• Identifying nonclassicality from experimental data using artificial neural networks [52.77024349608834]
  ニューラルネットワークをトレーニングして、古典的および非古典的状態とを、その二次的測定分布から分類する。 光の状態の異なる実実験的な二次データから古典的特徴や非古典的特徴を正確に識別できることを示す。
  論文  参考訳（メタデータ） (2021-01-18T15:12:47Z)
• The use of Convolutional Neural Networks for signal-background classification in Particle Physics experiments [0.4301924025274017]
  広範に畳み込み型ニューラルアーキテクチャ探索を行い,HEP分類のための信号/背景識別を高精度に行う。 パラメータが少ないCNNで複雑なResNetアーキテクチャと同じ精度を実現できることを示す。
  論文  参考訳（メタデータ） (2020-02-13T19:54:46Z)

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。