Fugu-MT 論文翻訳(概要): Universal Approximation Properties of Neural Networks for Energy-Based Physical Systems

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

Quantum-electrodynamical density-functional theory for the Dicke Hamiltonian [0.0]
量子電気力学モデル系に対する密度汎関数理論の詳細な解析を行う。特に、量子ラビモデル、ディックモデル、そして後者から複数のモードを考える。
論文参考訳（メタデータ） (2024-09-18T12:53:36Z)
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)
Neural Message Passing Induced by Energy-Constrained Diffusion [79.9193447649011]
本稿では,MPNNのメカニズムを理解するための原理的解釈可能なフレームワークとして,エネルギー制約付き拡散モデルを提案する。データ構造が(グラフとして)観察されたり、部分的に観察されたり、完全に観察されなかったりした場合に、新しいモデルが有望な性能が得られることを示す。
論文参考訳（メタデータ） (2024-09-13T17:54:41Z)
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)
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)

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。