論文の概要: Universal Approximation Properties of Neural Networks for Energy-Based
Physical Systems
- arxiv url: http://arxiv.org/abs/2102.11923v1
- Date: Mon, 22 Feb 2021 14:26:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-25 13:21:48.224517
- Title: Universal Approximation Properties of Neural Networks for Energy-Based
Physical Systems
- Title(参考訳): エネルギー系物理システムのためのニューラルネットワークの普遍近似特性
- Authors: Yuhan Chen, Takashi Matsubara, Takaharu Yaguchi
- Abstract要約: ハミルトン力学やランダウ理論では、多くの物理現象はエネルギーを用いてモデル化される。
このような物理現象に対するニューラルネットワークモデルの普遍近似性を証明する。
- 参考スコア(独自算出の注目度): 7.1975923901054575
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In Hamiltonian mechanics and the Landau theory, many physical phenomena are
modeled using energy. In this paper, we prove the universal approximation
property of neural network models for such physical phenomena. We also discuss
behaviors of the models for integrable Hamiltonian systems when the loss
function does not vanish completely by applying the KAM theory.
- Abstract(参考訳): ハミルトン力学やランダウ理論では、多くの物理現象はエネルギーを用いてモデル化される。
本稿では,このような物理現象に対するニューラルネットワークモデルの普遍的な近似特性を証明する。
また、カム理論を適用して損失関数が完全に消滅しない場合の可積分ハミルトニアン系のモデルの挙動についても論じる。
関連論文リスト
- Hamiltonian truncation tensor networks for quantum field theories [42.2225785045544]
連続場理論の古典的シミュレーションのためのテンソルネットワーク手法を提案する。
この手法はハミルトン・トランケーションとテンソル・ネットワーク技術に基づいて構築されている。
重要な発展の1つは、大域的プロジェクターの行列積状態表現の正確な構成である。
論文 参考訳(メタデータ) (2023-12-19T19:00:02Z) - 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) - Deconstructing the Inductive Biases of Hamiltonian Neural Networks [41.37309202965647]
物理学にインスパイアされたニューラルネットワーク(NN)は、強い帰納バイアスを利用して、他の学習された力学モデルよりも劇的に優れている。
従来の知恵とは対照的に、HNNの一般化の改善は、直接的に加速をモデル化した結果であることを示す。
これらのモデルの帰納バイアスを緩和することにより、エネルギー保存システムの性能に適合または超えることができ、実用的な非保守システムの性能を劇的に向上させることができることを示す。
論文 参考訳(メタデータ) (2022-02-10T05:05:38Z) - Machine learning nonequilibrium electron forces for adiabatic spin
dynamics [0.0]
非平衡グリーン関数法から計算した駆動s-dモデルの力を学習するディープラーニングニューラルネットワークを開発した。
本研究では,ニューラルネットワークモデルから予測される力を用いたランダウ・リフシッツ力学シミュレーションにより,電圧駆動型磁壁伝播を正確に再現することを示した。
論文 参考訳(メタデータ) (2021-12-22T18:37:56Z) - Anomalous statistics of laser-cooled atoms in dissipative optical
lattices [0.0]
1世紀前、この種の力学への拡張が「異常」拡散の形で得られることが判明した。
レーザー冷却された原子アンサンブルは、そのようなダイナミクスのテストベッドとして使用できる。
論文 参考訳(メタデータ) (2021-07-20T14:19:58Z) - Machine Learning S-Wave Scattering Phase Shifts Bypassing the Radial
Schr\"odinger Equation [77.34726150561087]
本稿では, 畳み込みニューラルネットワークを用いて, 正確な散乱s波位相シフトを得られる機械学習モデルの実証を行う。
我々は、ハミルトニアンが物理的に動機づけられた記述子の構築において、いかにして指導原理として機能するかについて議論する。
論文 参考訳(メタデータ) (2021-06-25T17:25:38Z) - On Energy-Based Models with Overparametrized Shallow Neural Networks [44.74000986284978]
エネルギーベースモデル(EBM)は、ジェネレーションモデリングの強力なフレームワークです。
この研究では、浅いニューラルネットワークに焦点を当てます。
我々は、いわゆる「アクティブ」体制で訓練されたモデルが、関連する「怠慢」またはカーネル体制に対して統計的に有利であることを示す。
論文 参考訳(メタデータ) (2021-04-15T15:34:58Z) - Formalizing Generalization and Robustness of Neural Networks to Weight
Perturbations [58.731070632586594]
非負のモノトーンアクティベーション機能を備えたフィードフォワードニューラルネットワークの重量変動に対する最初の形式解析を提供します。
また,重みの摂動に対して一般化し頑健なニューラルネットワークを訓練するための新しい理論駆動損失関数を設計した。
論文 参考訳(メタデータ) (2021-03-03T06:17:03Z) - Ground States of Quantum Many Body Lattice Models via Reinforcement
Learning [0.0]
格子上に定義された量子力学モデルの基底状態を求める問題に対する強化学習(RL)の定式化を導入する。
確率的ハミルトニアンは力学への自然な分解と報酬関数を表すポテンシャルを持つことを示す。
本稿では, 量子状態のニューラル表現へのこのマッピングの適用について論じ, 系の波動関数の直接表現に基づくアプローチに対する優位性について述べる。
論文 参考訳(メタデータ) (2020-12-13T13:53:59Z) - Learning CHARME models with neural networks [1.5362025549031046]
我々はCHARME(Conditional Heteroscedastic Autoregressive Mixture of Experts)と呼ばれるモデルを考える。
そこで本研究では,NNに基づく自己回帰関数の学習理論を開発した。
論文 参考訳(メタデータ) (2020-02-08T21:51:02Z)
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。
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。