論文の概要: Machine learning identification of symmetrized base states of Rydberg atoms

• arxiv url: http://arxiv.org/abs/2107.13745v1
• Date: Thu, 29 Jul 2021 04:45:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-20 11:46:54.686071
• Title: Machine learning identification of symmetrized base states of Rydberg atoms
• Title（参考訳）: Rydberg原子の対称性基底状態の機械学習による同定
• Authors: Daryl Ryan Chong, Minhyuk Kim, Jaewook Ahn, Heejeong Jeong
• Abstract要約: 我々は機械学習(ML)モデルを用いて、様々な原子数のリドバーグ原子の相互作用の基底状態を特定する。 数百のサンプルのみを含むデータセットに対して最大100%の精度を達成する。
• 参考スコア（独自算出の注目度）: 0.8258451067861933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Studying the complex quantum dynamics of interacting many-body systems is one of the most challenging areas in modern physics. Here, we use machine learning (ML) models to identify the symmetrized base states of interacting Rydberg atoms of various atom numbers (up to six) and geometric configurations. To obtain the data set for training the ML classifiers, we generate Rydberg excitation probability profiles that simulate experimental data by utilizing Lindblad equations that incorporate laser intensities and phase noise. Then, we classify the data sets using support vector machines (SVMs) and random forest classifiers (RFCs). With these ML models, we achieve high accuracy of up to 100% for data sets containing only a few hundred samples, especially for the closed atom configurations such as the pentagonal (five atoms) and hexagonal (six atoms) systems. The results demonstrate that computationally cost-effective ML models can be used in the identification of Rydberg atom configurations.
• Abstract（参考訳）: 相互作用する多体系の複雑な量子力学の研究は、現代の物理学において最も難しい分野の一つである。 ここでは、機械学習(ml)モデルを用いて、様々な原子数(最大6個)と幾何配置の相互作用するrydberg原子の対称性基底状態の同定を行う。 ML分類器を訓練するためのデータセットを得るために,レーザー強度と位相雑音を含むリンドブラッド方程式を用いて実験データをシミュレートするRydberg励起確率プロファイルを生成する。 次に、サポートベクトルマシン(SVM)とランダム森林分類器(RFC)を用いてデータセットを分類する。 これらのmlモデルでは、数百のサンプルのみを含むデータセット、特に五角形(5原子)や六角形(6原子)システムのような閉じた原子構成に対して、最大100%の精度を実現している。 その結果、Rydberg atom 構成の同定には計算コスト効率のよいMLモデルを用いることができた。

関連論文リスト

• Particle identification with machine learning from incomplete data in the ALICE experiment [3.046689922445082]
  ALICEは、約100MeV/cから20GeV/cまでの運動量を持つ粒子の複数の検出器を介してPID情報を提供する。 機械学習(ML)メソッドで、はるかに優れたパフォーマンスを実現することができる。 本稿では,MLプロジェクトとALICE分析ソフトウェアの統合について紹介し,ドメイン適応について論じる。
  論文  参考訳（メタデータ） (2024-03-26T07:05:06Z)
• On the Sample Complexity of Quantum Boltzmann Machine Learning [0.0]
  モデルと目標との期待値の差からQBM学習の運用的定義を与える。 解は、少なくとも複数のギブス状態を用いて勾配降下で得られることを証明した。 特に,平均場,ガウスフェルミオン,幾何学的局所ハミルトニアンに基づく事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-06-26T18:00:50Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• 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)
• Synthetic data enable experiments in atomistic machine learning [0.0]
  既存のMLポテンシャルモデルから,原子単位のエネルギーをラベル付けした大規模データセットの使用を実演する。 このプロセスの安価さは、量子力学の土台真実に比べれば、数百万のデータポイントを生成できる。 合成データラベルの学習は、後続の小さなデータセットの微調整に有用な事前学習タスクであることを示す。
  論文  参考訳（メタデータ） (2022-11-29T18:17:24Z)
• Test Set Sizing Via Random Matrix Theory [91.3755431537592]
  本稿ではランダム行列理論の手法を用いて、単純な線形回帰に対して理想的なトレーニング-テストデータ分割を求める。 それは「理想」を整合性計量を満たすものとして定義し、すなわち経験的モデル誤差は実際の測定ノイズである。 本論文は,任意のモデルのトレーニングとテストサイズを,真に最適な方法で解決した最初の論文である。
  論文  参考訳（メタデータ） (2021-12-11T13:18:33Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Assembled arrays of Rydberg-interacting atoms [0.0]
  我々は、再構成可能な幾何学のマイクロレンズ生成マルチサイトトラップアレイにおいて、Rydberg励起の最初の実現と制御された相互作用を実証する。 我々は,非相互作用性原子クラスターの同時励起を$mathrm57D_5/2$に対して特徴付け,実験パラメータと限界を分析する。
  論文  参考訳（メタデータ） (2020-08-11T17:18:42Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• Automated discovery of a robust interatomic potential for aluminum [4.6028828826414925]
  機械学習(ML)ベースのポテンシャルは、量子力学(QM)計算の忠実なエミュレーションを、計算コストを大幅に削減することを目的としている。 アクティブラーニング(AL)の原理を用いたデータセット構築のための高度に自動化されたアプローチを提案する。 アルミニウム(ANI-Al)のMLポテンシャル構築によるこのアプローチの実証 転写性を示すために、1.3M原子衝撃シミュレーションを行い、非平衡力学から採取した局所原子環境上でのDFT計算とANI-Al予測がよく一致することを示す。
  論文  参考訳（メタデータ） (2020-03-10T19:06:32Z)

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。