論文の概要: Machine Learning Regression for Operator Dynamics
- arxiv url: http://arxiv.org/abs/2102.11868v1
- Date: Tue, 23 Feb 2021 18:58:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-25 05:26:53.781752
- Title: Machine Learning Regression for Operator Dynamics
- Title(参考訳): オペレータダイナミクスのための機械学習回帰
- Authors: Justin Reyes, Sayandip Dhara, Eduardo R. Mucciolo
- Abstract要約: 本稿では,期待値の計算を長い時間間隔に効率的に拡張する解を提案する。
短時間間隔で計算された期待値の回帰のためのツールとして, 多層パーセプトロン(MLP)モデルを用いる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Determining the dynamics of the expectation values for operators acting on a
quantum many-body (QMB) system is a challenging task. Matrix product states
(MPS) have traditionally been the "go-to" models for these systems because
calculating expectation values in this representation can be done with relative
simplicity and high accuracy. However, such calculations can become
computationally costly when extended to long times. Here, we present a solution
for efficiently extending the computation of expectation values to long time
intervals. We utilize a multi-layer perceptron (MLP) model as a tool for
regression on MPS expectation values calculated within the regime of short time
intervals. With this model, the computational cost of generating long-time
dynamics is significantly reduced, while maintaining a high accuracy. These
results are demonstrated with operators relevant to quantum spin models in one
spatial dimension.
- Abstract(参考訳): 量子多体(QMB)システムに作用する演算子の期待値のダイナミクスを決定することは難しい課題である。
行列積状態(MPS)は伝統的にこれらのシステムの"go-to"モデルであり、この表現の期待値を計算することは比較的単純で高精度である。
しかし、そのような計算は長い時間に延ばすと計算コストがかかる。
本稿では,期待値の計算を長い時間間隔に効率的に拡張する解を提案する。
短時間間隔で計算されたMPS期待値の回帰のためのツールとして, 多層パーセプトロン(MLP)モデルを用いる。
このモデルでは、高い精度を維持しつつ、長時間ダイナミクスを生成する計算コストが大幅に削減される。
これらの結果は、1つの空間次元の量子スピンモデルに関連する作用素で示される。
関連論文リスト
- Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳(メタデータ) (2022-11-09T23:40:52Z) - Statistical and machine learning approaches for prediction of long-time
excitation energy transfer dynamics [0.0]
ここでの目的は、SARIMA、CatBoost、Prophet、畳み込み、反復ニューラルネットワークのようなモデルがこの要件を回避できるかどうかを示すことである。
以上の結果から,SARIMAモデルが長期力学の予測を行うための計算コストが安価かつ正確な方法として機能することが示唆された。
論文 参考訳(メタデータ) (2022-10-25T16:50:26Z) - Deep Convolutional Architectures for Extrapolative Forecast in
Time-dependent Flow Problems [0.0]
深層学習技術は、対流に支配された問題に対するシステムの力学をモデル化するために用いられる。
これらのモデルは、PDEから得られた連続した時間ステップに対する高忠実度ベクトル解のシーケンスとして入力される。
ディープオートエンコーダネットワークのような非侵襲的な低次モデリング技術を用いて高忠実度スナップショットを圧縮する。
論文 参考訳(メタデータ) (2022-09-18T03:45:56Z) - A comparative study of different machine learning methods for
dissipative quantum dynamics [0.0]
教師付き機械学習アルゴリズムは、散逸性量子系の長期集団動態を精度よく効率的に予測できることを示す。
調和浴に線形に結合した2レベル量子系の長期ダイナミクスを予測する能力について,22のMLモデルをベンチメイドした。
論文 参考訳(メタデータ) (2022-07-06T03:37:24Z) - Reduced Dynamics of Full Counting Statistics [0.0]
数え上げ場の存在下での修正還元力学の理論を提示する。
本研究では, 減算力学から長寿命フルカウント統計値が効率的に得られることを示す。
論文 参考訳(メタデータ) (2021-11-16T14:55:30Z) - Fast and differentiable simulation of driven quantum systems [58.720142291102135]
我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。
回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
論文 参考訳(メタデータ) (2020-12-16T21:43:38Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - Hierarchical Deep Learning of Multiscale Differential Equation
Time-Steppers [5.6385744392820465]
本研究では,時間スケールの異なる範囲にわたる動的システムのフローマップを近似するために,ディープニューラルネットワークの時間ステップ階層を構築した。
結果のモデルは純粋にデータ駆動であり、マルチスケールのダイナミックスの特徴を活用する。
我々は,LSTM,貯水池計算,クロックワークRNNなどの最先端手法に対して,我々のアルゴリズムをベンチマークする。
論文 参考訳(メタデータ) (2020-08-22T07:16:53Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-02-21T05:00:01Z)
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。