Fugu-MT 論文翻訳(概要): Structure-preserving numerical schemes for Lindblad equations

論文の概要: Structure-preserving numerical schemes for Lindblad equations

arxiv url: http://arxiv.org/abs/2103.01194v2
Date: Thu, 2 May 2024 07:42:59 GMT
ステータス: 処理完了
システム内更新日: 2024-05-03 22:58:28.203985
Title: Structure-preserving numerical schemes for Lindblad equations
Title（参考訳）: リンドブラッド方程式の構造保存数値スキーム
Authors: Yu Cao, Jianfeng Lu,
Abstract要約: 我々はリンドブラッド方程式に対する構造保存的決定論的数値スキームの族を研究する。これらのスキームは、多くの伝統的な数値スキームから生じる非物理的問題を克服することができる。
参考スコア（独自算出の注目度）: 9.296976139258954
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study a family of structure-preserving deterministic numerical schemes for Lindblad equations. This family of schemes has a simple form and can systemically achieve arbitrary high-order accuracy in theory. Moreover, these schemes can also overcome the non-physical issues that arise from many traditional numerical schemes. Due to their preservation of physical nature, these schemes can be straightforwardly used as backbones for further developing randomized and quantum algorithms in simulating Lindblad equations. In this work, we systematically study these methods and perform a detailed error analysis, which is validated through numerical examples.
Abstract（参考訳）: 我々はリンドブラッド方程式に対する構造保存的決定論的数値スキームの族を研究する。このスキームの族は単純な形式を持ち、理論上の任意の高次精度を体系的に達成することができる。さらに、これらのスキームは、多くの伝統的な数値スキームから生じる非物理的問題を克服することも可能である。物理的性質の保存のため、これらのスキームはリンドブラッド方程式をシミュレートするランダム化および量子化アルゴリズムのさらなる発展のためのバックボーンとして簡単に使用できる。本研究では,これらの手法を体系的に研究し,数値的な例から検証した詳細な誤り解析を行う。

関連論文リスト

Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文参考訳（メタデータ） (2024-11-04T11:09:58Z)
Solving the Lindblad equation with methods from computational fluid dynamics [0.0]
リウヴィリア力学は閉量子系における密度作用素の進化を記述する。開量子系への1つの拡張はリンドブラッド方程式によって与えられる。主な課題は、リンドブラッド方程式の分析解は調和系ポテンシャルや2レベル系に対してのみ得られることである。
論文参考訳（メタデータ） (2024-10-14T14:24:23Z)
Full- and low-rank exponential Euler integrators for the Lindblad equation [2.5676905118007407]
リンドブラッド方程式(リンドブラッドりょうり、Lindblad equation)は、開量子系の力学進化をモデル化するために広く用いられる量子マスター方程式である。全ランク指数オイラーと低ランク指数オイラーは、実証性と無条件のトレースを保持するリンドブラッド方程式を近似するために開発された。
論文参考訳（メタデータ） (2024-08-24T15:11:28Z)
Lindbladian reverse engineering for general non-equilibrium steady states: A scalable null-space approach [49.1574468325115]
NESS を対象とするリンドバルディアン・マスター方程式を再構成する手法を提案する。相関行列の核(ヌル空間)はリンドブラディアン解に対応する。ボソニックガウスから散逸駆動の集合スピンまで、様々なシステムでこの方法を説明する。
論文参考訳（メタデータ） (2024-08-09T19:00:18Z)
Parallel-in-Time Probabilistic Numerical ODE Solvers [35.716255949521305]
常微分方程式(ODE)の確率論的数値解法は、力学系の数値シミュレーションをベイズ状態推定の問題として扱う。我々は,反復拡張カルマンスムーダの時間並列定式化に基づいて,並列時間確率数値ODEソルバを定式化する。
論文参考訳（メタデータ） (2023-10-02T12:32:21Z)
Interpretable reduced-order modeling with time-scale separation [9.889399863931676]
高次元の偏微分方程式(PDE)は計算物理学や工学でよく見られる。本稿では,関連する時間スケールの識別を自動化するデータ駆動方式を提案する。このデータ駆動型スキームは,線形ODEのシステムを分解する独立プロセスを自動的に学習できることを示す。
論文参考訳（メタデータ） (2023-03-03T19:23:59Z)
Agnostic Physics-Driven Deep Learning [82.89993762912795]
この研究は、物理系が勾配計算を使わずに統計的勾配学習を行えることを証明している。 Aeqpropでは、システムの詳細を知る必要はなく、プロシージャは外部操作に基づいている。 Aeqpropはまた、自然(生物)物理系において、真の勾配に基づく統計学習は、一般的な比較的単純なメカニズムによってもたらされることを証明している。
論文参考訳（メタデータ） (2022-05-30T12:02:53Z)
Hessian Eigenspectra of More Realistic Nonlinear Models [73.31363313577941]
私たちは、非線形モデルの広いファミリーのためのヘッセン固有スペクトルの言語的特徴付けを行います。我々の分析は、より複雑な機械学習モデルで観察される多くの顕著な特徴の起源を特定するために一歩前進する。
論文参考訳（メタデータ） (2021-03-02T06:59:52Z)
Quantum-Inspired Algorithms from Randomized Numerical Linear Algebra [53.46106569419296]
我々は、リコメンダシステムと最小二乗回帰のためのクエリをサポートする古典的な(量子でない)動的データ構造を作成する。これらの問題に対する以前の量子インスパイアされたアルゴリズムは、レバレッジやリッジレベレッジスコアを偽装してサンプリングしていると我々は主張する。
論文参考訳（メタデータ） (2020-11-09T01:13:07Z)
On dissipative symplectic integration with applications to gradient-based optimization [77.34726150561087]
本稿では,離散化を体系的に実現する幾何学的枠組みを提案する。我々は、シンプレクティックな非保守的、特に散逸的なハミルトン系への一般化が、制御された誤差まで収束率を維持することができることを示す。
論文参考訳（メタデータ） (2020-04-15T00:36:49Z)

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。