Fugu-MT 論文翻訳(概要): Artificial neural network states for non-additive systems

論文の概要: Artificial neural network states for non-additive systems

arxiv url: http://arxiv.org/abs/2105.15193v1
Date: Mon, 31 May 2021 17:54:55 GMT
ステータス: 処理完了
システム内更新日: 2023-03-28 05:51:51.167257
Title: Artificial neural network states for non-additive systems
Title（参考訳）: 非加法系の人工ニューラルネットワーク状態
Authors: Wojciech Rzadkowski, Mikhail Lemeshko, Johan H. Mentink
Abstract要約: ニューラルコヒーレントな状態は、非付加的なシステムの基底状態を非常によく学習できることを示す。我々のアプローチは汎用的であり、システムの詳細を前提とせず、幅広い応用を示唆している。
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: Methods inspired from machine learning have recently attracted great interest in the computational study of quantum many-particle systems. So far, however, it has proven challenging to deal with microscopic models in which the total number of particles is not conserved. To address this issue, we propose a new variant of neural network states, which we term neural coherent states. Taking the Fr\"ohlich impurity model as a case study, we show that neural coherent states can learn the ground state of non-additive systems very well. In particular, we observe substantial improvement over the standard coherent state estimates in the most challenging intermediate coupling regime. Our approach is generic and does not assume specific details of the system, suggesting wide applications.
Abstract（参考訳）: 機械学習にインスパイアされた手法は近年、量子多粒子系の計算研究に大きな関心を集めている。しかし、これまでのところ、粒子の総数が保存されていない顕微鏡モデルを扱うのは難しいことが証明されている。この問題に対処するために,我々はニューラル・コヒーレント・ステートと呼ばれる新しいニューラル・ネットワーク・ステートを提案する。ケーススタディとしてFr\"ohlich不純物モデルを用いて、ニューラルコヒーレントな状態が非添加系の基底状態を非常によく学習できることを示す。特に、最も挑戦的な中間結合方式において、標準コヒーレント状態推定よりも大幅な改善が観察されている。我々のアプローチは汎用的であり、システムの詳細を前提とせず、幅広い応用を示唆している。

関連論文リスト

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)
On the Interpretability of Quantum Neural Networks [0.0]
人工知能(AI)手法、特にディープニューラルネットワークの解釈可能性は非常に興味深い。本稿では,古典的ニューラルネットワークによく用いられる局所的モデルに依存しない解釈可能性尺度を用いて,量子ニューラルネットワークの解釈可能性について検討する。我々の説明の1つの特徴は、データサンプルが本質的にランダムな量子測定の対象であるランダムなラベルを与えられた領域の描写である。
論文参考訳（メタデータ） (2023-08-22T00:43:14Z)
How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文参考訳（メタデータ） (2023-06-04T08:53:27Z)
Machine learning one-dimensional spinless trapped fermionic systems with neural-network quantum states [1.6606527887256322]
ガウスポテンシャルを介して相互作用する完全に偏極された1次元フェルミオン系の基底状態特性を計算する。我々は、波動関数のアンサッツとして、反対称人工ニューラルネットワーク(英語版)またはニューラル量子状態を用いる。相互作用の兆候によって、非常に異なる基底状態が見つかる。
論文参考訳（メタデータ） (2023-04-10T17:36:52Z)
Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文参考訳（メタデータ） (2022-12-21T19:00:04Z)
Can neural quantum states learn volume-law ground states? [0.0]
本研究では,多層フィードフォワードネットワークに基づくニューラルネットワークの量子状態が,ボリューム-ローエンタングルメントエントロピーを示す基底状態を見つけることができるかを検討した。このモデルの基礎状態を表すために、浅層および深層フィードフォワードのネットワークは指数関数的な数のパラメータを必要とすることがわかった。
論文参考訳（メタデータ） (2022-12-05T12:26:20Z)
Learning Trajectories of Hamiltonian Systems with Neural Networks [81.38804205212425]
本稿では,モデル系の連続時間軌跡を推定し,ハミルトニアンニューラルネットワークを強化することを提案する。提案手法は, 低サンプリング率, ノイズ, 不規則な観測において, HNNに対して有効であることを示す。
論文参考訳（メタデータ） (2022-04-11T13:25:45Z)
Variational learning of quantum ground states on spiking neuromorphic hardware [0.0]
高次元サンプリング空間と過渡自己相関は、難しい計算ボトルネックを伴うニューラルネットワークに直面する。従来のニューラルネットワークと比較して、物理モデルデバイスは高速で効率的で本質的に並列な基板を提供する。変動エネルギー最小化による量子スピンモデルの基底状態を表すニューロモルフィックチップの能力を示す。
論文参考訳（メタデータ） (2021-09-30T14:39:45Z)
Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文参考訳（メタデータ） (2021-09-02T16:06:45Z)
Improving Coherence and Consistency in Neural Sequence Models with Dual-System, Neuro-Symbolic Reasoning [49.6928533575956]
我々は、神経系1と論理系2の間を仲介するために神経推論を用いる。強靭なストーリー生成とグラウンドド・インストラクション・フォローリングの結果、このアプローチは神経系世代におけるコヒーレンスと精度を高めることができることを示した。
論文参考訳（メタデータ） (2021-07-06T17:59:49Z)
Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。