論文の概要: Spacetime Neural Network for High Dimensional Quantum Dynamics
- arxiv url: http://arxiv.org/abs/2108.02200v1
- Date: Wed, 4 Aug 2021 17:55:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-05 13:06:35.701689
- Title: Spacetime Neural Network for High Dimensional Quantum Dynamics
- Title(参考訳): 高次元量子ダイナミクスのための時空ニューラルネットワーク
- Authors: Jiangran Wang, Zhuo Chen, Di Luo, Zhizhen Zhao, Vera Mikyoung Hur,
Bryan K. Clark
- Abstract要約: 量子力学を解くために,2次最適化を用いた時空ニューラルネットワーク法を開発した。
自己正規化された自己回帰型時空ニューラルネットワーク構築を用いたシュル・オーディンガー方程式の手法を実証する。
- 参考スコア(独自算出の注目度): 19.30780557470232
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We develop a spacetime neural network method with second order optimization
for solving quantum dynamics from the high dimensional Schr\"{o}dinger
equation. In contrast to the standard iterative first order optimization and
the time-dependent variational principle, our approach utilizes the implicit
mid-point method and generates the solution for all spatial and temporal values
simultaneously after optimization. We demonstrate the method in the
Schr\"{o}dinger equation with a self-normalized autoregressive spacetime neural
network construction. Future explorations for solving different high
dimensional differential equations are discussed.
- Abstract(参考訳): 量子力学を高次元schr\"{o}dinger方程式から解くために,二階最適化を用いた時空ニューラルネットワーク法を開発した。
標準の反復1次最適化と時間依存変分原理とは対照的に,提案手法は暗黙的中点法を用いて,最適化後に全ての空間値と時間値の解を同時生成する。
自己正規化された自己回帰型時空ニューラルネットワーク構築を用いたシュルンディンガー方程式で本手法を実証する。
異なる高次元微分方程式を解くための今後の研究について述べる。
関連論文リスト
- Application of Langevin Dynamics to Advance the Quantum Natural Gradient Optimization Algorithm [47.47843839099175]
近年,変分量子回路の最適化のためのQNGアルゴリズムが提案されている。
本研究では、この離散時間解が一般化形式を与えることを示すために、QNG力を持つランゲヴィン方程式を用いる。
論文 参考訳(メタデータ) (2024-09-03T15:21:16Z) - Solving Poisson Equations using Neural Walk-on-Spheres [80.1675792181381]
高次元ポアソン方程式の効率的な解法としてニューラルウォーク・オン・スフェース(NWoS)を提案する。
我々は,NWoSの精度,速度,計算コストにおける優位性を実証した。
論文 参考訳(メタデータ) (2024-06-05T17:59:22Z) - Tensor-Valued Time and Inference Path Optimization in Differential Equation-Based Generative Modeling [16.874769609089764]
この研究は、従来のスカラー値の時間を複数の次元に拡張するテンソル値の時間を導入している。
また,多次元推論軌道を適応的に決定する新しい経路最適化問題を提案する。
論文 参考訳(メタデータ) (2024-04-22T13:20:01Z) - Optimized continuous dynamical decoupling via differential geometry and machine learning [0.0]
連続的動的デカップリングのための最適設計フィールドを開発するための戦略を導入する。
一般の1量子ビット量子ゲートの忠実度を最大化する最適連続体構成を得る。
論文 参考訳(メタデータ) (2023-10-12T15:30:00Z) - Scalable Imaginary Time Evolution with Neural Network Quantum States [0.0]
ニューラルネットワーク量子状態(NQS)としての量子波関数の表現は、多体量子系の基底状態を見つけるための強力な変分アンサッツを提供する。
我々は、計量テンソルの計算をバイパスするアプローチを導入し、代わりにユークリッド計量を用いた一階降下にのみ依存する。
我々は,NQSのエネルギーが減少するまで最適な時間ステップを決定し,目標を固定し,適応的に安定させる。
論文 参考訳(メタデータ) (2023-07-28T12:26:43Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳(メタデータ) (2022-08-02T18:27:13Z) - A scalable deep learning approach for solving high-dimensional dynamic
optimal transport [18.67654056717166]
本研究では,高次元空間における動的最適輸送を解くためのディープラーニングに基づく手法を提案する。
本手法は,速度場を慎重に設計した表現,PDE制約の離散化,モンテカルロ法による高次元積分計算の3つの主成分を含む。
論文 参考訳(メタデータ) (2022-05-16T08:56:05Z) - Sequential Subspace Search for Functional Bayesian Optimization
Incorporating Experimenter Intuition [63.011641517977644]
本アルゴリズムは,実験者のガウス過程から引き出された一組の引き数で区切られた関数空間の有限次元ランダム部分空間列を生成する。
標準ベイズ最適化は各部分空間に適用され、次の部分空間の出発点(オリジン)として用いられる最良の解である。
シミュレーションおよび実世界の実験,すなわちブラインド関数マッチング,アルミニウム合金の最適析出強化関数の探索,深層ネットワークの学習速度スケジュール最適化において,本アルゴリズムを検証した。
論文 参考訳(メタデータ) (2020-09-08T06:54:11Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z) - Time Dependence in Non-Autonomous Neural ODEs [74.78386661760662]
時変重みを持つニューラルODEの新しいファミリーを提案する。
我々は、速度と表現能力の両面で、従来のニューラルODEの変形よりも優れていた。
論文 参考訳(メタデータ) (2020-05-05T01:41:46Z)
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。