論文の概要: Identifying Physical Law of Hamiltonian Systems via Meta-Learning

• arxiv url: http://arxiv.org/abs/2102.11544v1
• Date: Tue, 23 Feb 2021 08:16:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-24 13:47:27.877617
• Title: Identifying Physical Law of Hamiltonian Systems via Meta-Learning
• Title（参考訳）: メタラーニングによるハミルトン系の物理法則の同定
• Authors: Seungjun Lee, Haesang Yang, Woojae Seong
• Abstract要約: ハミルトン力学は、多くの物理過程を表す効果的なツールです。 メタ訓練された学習者がハミルトンの共有表現を識別できることが示される。
• 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: Hamiltonian mechanics is an effective tool to represent many physical processes with concise yet well-generalized mathematical expressions. A well-modeled Hamiltonian makes it easy for researchers to analyze and forecast many related phenomena that are governed by the same physical law. However, in general, identifying a functional or shared expression of the Hamiltonian is very difficult. It requires carefully designed experiments and the researcher's insight that comes from years of experience. We propose that meta-learning algorithms can be potentially powerful data-driven tools for identifying the physical law governing Hamiltonian systems without any mathematical assumptions on the representation, but with observations from a set of systems governed by the same physical law. We show that a well meta-trained learner can identify the shared representation of the Hamiltonian by evaluating our method on several types of physical systems with various experimental settings.
• Abstract（参考訳）: ハミルトン力学は、簡潔かつよく一般化された数学的表現で多くの物理過程を表現する効果的なツールである。 十分にモデル化されたハミルトニアンは、研究者が同じ物理法則によって支配される多くの関連する現象を分析し予測することを容易にする。 しかし一般に、ハミルトニアンの機能的あるいは共有的な表現の同定は非常に困難である。 それは慎重に設計された実験と長年の経験から来る研究者の洞察を必要とします。 メタラーニングアルゴリズムはハミルトン系を支配する物理法則を識別するための強力なデータ駆動型ツールであり、表現に関する数学的仮定はなく、同じ物理法則に支配される一連のシステムから観測されることを示唆する。 本手法は,様々な実験環境において,様々な物理系で評価することにより,よく訓練された学習者がハミルトニアンの共有表現を識別できることを示す。

関連論文リスト

• Quantum Simulation of Nonlinear Dynamical Systems Using Repeated Measurement [42.896772730859645]
  本稿では, 非線形常微分方程式の初期値問題を解くために, 繰り返し測定に基づく量子アルゴリズムを提案する。 古典ロジスティック系とローレンツ系に、積分可能かつカオス的条件の両方でこのアプローチを適用する。
  論文  参考訳（メタデータ） (2024-10-04T18:06:12Z)
• Learning Generalized Hamiltonians using fully Symplectic Mappings [0.32985979395737786]
  ハミルトン系は、保守的であり、すなわちエネルギーは進化を通して保存されるという重要な性質を持っている。 特にハミルトニアンニューラルネットワークは、構造的帰納バイアスをNNモデルに組み込むメカニズムとして登場した。 共振器のスキームはノイズに対して頑健であり,ノイズ観測から状態変数がサンプリングされた場合のハミルトニアン系の近似が良好であることを示す。
  論文  参考訳（メタデータ） (2024-09-17T12:45:49Z)
• Physics-Informed Neural Networks for Dynamic Process Operations with Limited Physical Knowledge and Data [38.39977540117143]
  化学工学では、プロセスデータを取得するのが高価であり、複雑な現象を完全にモデル化することは困難である。 特に、直接データも観測方程式も利用できない状態の推定に焦点をあてる。 実験データが少ない場合, PINNはプロセスのモデリングが可能であり, 部分的には機械的記述しか知られていないことを示す。
  論文  参考訳（メタデータ） (2024-06-03T16:58:17Z)
• Predicting Ground State Properties: Constant Sample Complexity and Deep Learning Algorithms [48.869199703062606]
  量子多体物理学における基本的な問題は、局所ハミルトニアンの基底状態を見つけることである。 基底状態特性を学習するためのシステムサイズ$n$とは無関係に,一定のサンプル複雑性を実現する2つのアプローチを導入する。
  論文  参考訳（メタデータ） (2024-05-28T18:00:32Z)
• Quantum-probabilistic Hamiltonian learning for generative modelling & anomaly detection [0.0]
  本研究では,データ解析におけるハミルトニアンシステムの学習と活用の可能性について検討する。 我々は、シミュレーションされた大型ハドロン衝突型加速器データの生成モデル作成に量子ハミルトンモデルを用いる。 さらに、学習したハミルトニアンを用いて異常検出を行い、異なるサンプル型が異なる動的挙動を形成することを示す。
  論文  参考訳（メタデータ） (2022-11-07T19:00:02Z)
• Scalably learning quantum many-body Hamiltonians from dynamical data [1.702884126441962]
  動的データから多体ハミルトニアンと相互作用する家族を学習するための、高度にスケーラブルでデータ駆動のアプローチを導入する。 当社のアプローチは非常に実用的で,実験的にフレンドリで,本質的にスケーラブルで,100スピンを超えるシステムサイズを実現しています。
  論文  参考訳（メタデータ） (2022-09-28T18:00:57Z)
• Learning Neural Hamiltonian Dynamics: A Methodological Overview [109.40968389896639]
  Hamiltonian dynamicsは、ニューラルネットワークに正確な長期予測、解釈可能性、データ効率の学習を与える。 我々は最近提案したハミルトンニューラルネットワークモデルについて、特に方法論に焦点を当てて体系的に調査した。
  論文  参考訳（メタデータ） (2022-02-28T22:54:39Z)
• Robust and Efficient Hamiltonian Learning [2.121963121603413]
  軽度の仮定に基づいて制限を回避できる頑健で効率的なハミルトン学習法を提案する。 提案手法は,短時間のダイナミクスと局所演算のみを用いて,パウリベースでスパースなハミルトニアンを効率的に学習することができる。 ランダムな相互作用強度と分子ハミルトニアンを持つ横場イジング・ハミルトニアンのスケーリングと推定精度を数値的に検証する。
  論文  参考訳（メタデータ） (2022-01-01T13:48:15Z)
• A Differentiable Newton Euler Algorithm for Multi-body Model Learning [34.558299591341]
  我々はニュートン・オイラー方程式を具現化した計算グラフアーキテクチャを動機付けている。 本稿では、制約のない物理的プラウジブルダイナミクスを実現するために使用される仮想パラメータについて述べる。 従来のホワイトボックスシステム同定手法で要求されるキネマティックパラメータは,データから正確に推定可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-19T19:30:33Z)
• Augmenting Physical Models with Deep Networks for Complex Dynamics Forecasting [34.61959169976758]
  APHYNITYは、深層データ駆動モデルを持つ微分方程式によって記述された不完全な物理力学を増大させる原理的なアプローチである。 これは、動的を2つのコンポーネントに分解することで構成されます。物理コンポーネントは、事前の知識を持つダイナミクスを、データ駆動コンポーネントは、物理モデルのエラーを説明します。
  論文  参考訳（メタデータ） (2020-10-09T09:31:03Z)
• Learning models of quantum systems from experiments [0.2740360306052669]
  ハミルトニアンモデルは、科学と産業全体での物理的および化学的プロセスの研究と分析を支えている。 我々は、教師なし機械学習を用いて実験からハミルトンモデルを取得するためのアプローチを提案し、実証する。
  論文  参考訳（メタデータ） (2020-02-14T18:37:50Z)

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。