論文の概要: Correlation-Enhanced Neural Networks as Interpretable Variational Quantum States

• arxiv url: http://arxiv.org/abs/2103.05017v1
• Date: Mon, 8 Mar 2021 19:01:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-08 18:14:36.464321
• Title: Correlation-Enhanced Neural Networks as Interpretable Variational Quantum States
• Title（参考訳）: 解釈可能な変動量子状態としての相関強化ニューラルネットワーク
• Authors: Agnes Valenti, Eliska Greplova, Netanel H. Lindner and Sebastian D. Huber
• Abstract要約: 変分法は複素多体ハミルトニアンの基底状態を近似するための優れたツールであることが証明されている。 本稿では,これらの汎用手法の柔軟性を保ちつつ,システムの物理を規定する関連する相関関係を調整可能にするニューラルネットワークベースの変分アンサッツを提案する。
• 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: Variational methods have proven to be excellent tools to approximate ground states of complex many body Hamiltonians. Generic tools like neural networks are extremely powerful, but their parameters are not necessarily physically motivated. Thus, an efficient parametrization of the wave-function can become challenging. In this letter we introduce a neural-network based variational ansatz that retains the flexibility of these generic methods while allowing for a tunability with respect to the relevant correlations governing the physics of the system. We illustrate the success of this approach on topological, long-range correlated and frustrated models. Additionally, we introduce compatible variational optimization methods for exploration of low-lying excited states without symmetries that preserve the interpretability of the ansatz.
• Abstract（参考訳）: 変分法は複素多体ハミルトニアンの基底状態を近似するための優れたツールであることが証明されている。 ニューラルネットワークのようなジェネリックツールは非常に強力だが、パラメータは必ずしも物理的動機付けではない。 これにより、波動関数の効率的なパラメトリゼーションが困難になる。 このレターでは、ニューラルネットワークに基づく変分アンサッツを導入し、これらのジェネリックメソッドの柔軟性を保ちつつ、システムの物理を規定する関連する相関関係を調整可能にする。 提案手法は, トポロジカル, 長距離相関, フラストレーションモデル上での成功例を示す。 さらに,アンサッツの解釈性を保った対称性のない低次励起状態の探索のための可逆的変分最適化法を提案する。

関連論文リスト

• Efficiency of the hidden fermion determinant states Ansatz in the light of different complexity measures [0.0]
  Ans"atzeは、ニューラルネットワークの表現力を利用して、根本的な課題に対処する。 エンタングルメントエントロピーの体積法スケールを示す5種類のフェルミオンモデルについて検討した。 従来の手法が信頼性の高いパラメータ領域に近づくと、ニューラルネットワークのアプローチも信頼性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2024-11-07T08:36:37Z)
• Neural Quantum States in Variational Monte Carlo Method: A Brief Summary [0.0]
  スピン系に対するニューラル量子状態に基づく変分モンテカルロ法について概説する。 ニューラルネットワークは、比較的小さな計算資源を持つ比較的複雑な波動関数を表現できる。 量子状態トモグラフィでは、神経量子状態の表現法はすでに大きな成果を上げている。
  論文  参考訳（メタデータ） (2024-06-03T05:55:55Z)
• Deep Neural Networks as Variational Solutions for Correlated Open Quantum Systems [0.0]
  より強力なモデルで直接密度行列をパラメータ化することで、より良い変分アンザッツ関数が得られることを示す。 本稿では, 散逸的一次元逆場イジングモデルと2次元散逸的ハイゼンベルクモデルについて述べる。
  論文  参考訳（メタデータ） (2024-01-25T13:41:34Z)
• DiffHybrid-UQ: Uncertainty Quantification for Differentiable Hybrid Neural Modeling [4.76185521514135]
  本稿では,ハイブリッドニューラル微分可能モデルにおける有効かつ効率的な不確実性伝播と推定のための新しい手法DiffHybrid-UQを提案する。 具体的には,データノイズとてんかんの不確かさから生じるアレタリック不確かさと,モデル形状の相違やデータ空間のばらつきから生じるエピステマティック不確かさの両方を効果的に識別し,定量化する。
  論文  参考訳（メタデータ） (2023-12-30T07:40:47Z)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
  本稿では,グラフ力学ネットワーク(GMN)を提案する。 GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。 大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
  論文  参考訳（メタデータ） (2022-03-12T14:22:14Z)
• Decimation technique for open quantum systems: a case study with driven-dissipative bosonic chains [62.997667081978825]
  量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。 本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。 本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
  論文  参考訳（メタデータ） (2022-02-15T19:00:09Z)
• Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
  我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。 メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。 本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
  論文  参考訳（メタデータ） (2021-06-01T19:19:49Z)
• Recurrent Neural Network Wave Functions [0.36748639131154304]
  人工知能革命から生まれた中核技術は、リカレントニューラルネットワーク(RNN)である。 凝縮物質物理学者に対するいくつかの量子スピンモデルに対する基底状態エネルギー,相関関数,エンタングルメントエントロピーを計算し,RNN波動関数の有効性を示す。
  論文  参考訳（メタデータ） (2020-02-07T19:00:03Z)

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。

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。