Fugu-MT 論文翻訳(概要): Detection of Berezinskii-Kosterlitz-Thouless transition via Generative Adversarial Networks

論文の概要: Detection of Berezinskii-Kosterlitz-Thouless transition via Generative Adversarial Networks

arxiv url: http://arxiv.org/abs/2110.05383v3
Date: Wed, 2 Feb 2022 07:42:15 GMT
ステータス: 処理完了
システム内更新日: 2023-03-11 19:09:21.648371
Title: Detection of Berezinskii-Kosterlitz-Thouless transition via Generative Adversarial Networks
Title（参考訳）: 生成型adversarial networkを用いたベレジンスキー-コステルリッツ-トゥーレス遷移の検出
Authors: D. Contessi, E. Ricci, A. Recati, M. Rizzi
Abstract要約: システム分割の絡み合いスペクトルを用いてGAN(Geneversarative Adrial Network)を訓練する。異なる1次元モデルでギャップのない位相遷移を同定することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The detection of phase transitions in quantum many-body systems with lowest possible prior knowledge of their details is among the most rousing goals of the flourishing application of machine-learning techniques to physical questions. Here, we train a Generative Adversarial Network (GAN) with the Entanglement Spectrum of a system bipartition, as extracted by means of Matrix Product States ans\"atze. We are able to identify gapless-to-gapped phase transitions in different one-dimensional models by looking at the machine inability to reconstruct outsider data with respect to the training set. We foresee that GAN-based methods will become instrumental in anomaly detection schemes applied to the determination of phase-diagrams.
Abstract（参考訳）: 量子多体系における相転移の検出は、その詳細に関する最小限の事前知識を持ち、機械学習技術の物理問題への応用が盛んに行われている最も大きな目標の1つである。本稿では,GAN(Generative Adversarial Network)とシステム分割の絡み合いスペクトル(Entanglement Spectrum)を,行列積状態 ans\atze を用いて抽出した。我々は、トレーニングセットに関して外部データを再構成できないマシンを観察することにより、異なる1次元モデルにおけるギャップのない位相遷移を識別することができる。我々は,位相図決定に応用した異常検出手法において,GANに基づく手法が有効になると予想する。

関連論文リスト

Learning and Controlling Silicon Dopant Transitions in Graphene using Scanning Transmission Electron Microscopy [58.51812955462815]
単層炭素原子上のシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。これらの学習された遷移ダイナミクスを利用すれば、格子全体に1つのシリコン原子を誘導し、あらかじめ決定された目標目的地へと導くことができる。
論文参考訳（メタデータ） (2023-11-21T21:51:00Z)
Machine learning phase transitions: Connections to the Fisher information [0.0]
位相遷移の機械学習インジケータは, 系の(量子)フィッシャー情報の平方根を以下から近似することを示した。古典系および量子系における相転移に対するこれらの境界の質を数値的に示す。
論文参考訳（メタデータ） (2023-11-17T18:59:35Z)
Unsupervised Interpretable Learning of Phases From Many-Qubit Systems [2.4352963290061993]
短距離多ビット系を理解するために,教師なしの機械学習技術を用いる方法を示す。我々の研究は、教師なしの強い解釈性を目指して、ハイブリッドアルゴリズムを第一原理で適用するための扉を開く。
論文参考訳（メタデータ） (2022-08-18T14:35:28Z)
Forensicability of Deep Neural Network Inference Pipelines [68.8204255655161]
本研究では,観測可能な出力に特徴的な数値偏差をトレースすることで,機械学習パイプラインの実行環境の特性を推定する手法を提案する。一連の概念実証実験の結果は、ディープニューラルネットワーク予測を生成するために使用されるハードウェアプラットフォームの識別など、法医学的な応用をもたらす。
論文参考訳（メタデータ） (2021-02-01T15:41:49Z)
Identifying nonclassicality from experimental data using artificial neural networks [52.77024349608834]
ニューラルネットワークをトレーニングして、古典的および非古典的状態とを、その二次的測定分布から分類する。光の状態の異なる実実験的な二次データから古典的特徴や非古典的特徴を正確に識別できることを示す。
論文参考訳（メタデータ） (2021-01-18T15:12:47Z)
Unsupervised machine learning of topological phase transitions from experimental data [52.77024349608834]
超低温原子からの実験データに教師なし機械学習技術を適用する。我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
論文参考訳（メタデータ） (2021-01-14T16:38:21Z)
Frequency-based Multi Task learning With Attention Mechanism for Fault Detection In Power Systems [6.4332733596587115]
本稿では,障害検出のための新しいディープラーニングベースのアプローチを導入し,実際のデータセット,すなわち部分放電検出タスクのためのKaggleプラットフォーム上でテストする。提案手法では,時系列の特徴を抽出するためのアテンション機構を備えたLong-Short Term Memoryアーキテクチャを採用し,信号の周波数情報を利用した1D-Convolutional Neural Network構造を用いて予測を行う。
論文参考訳（メタデータ） (2020-09-15T02:01:47Z)
Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-07-13T18:05:36Z)
Unsupervised phase discovery with deep anomaly detection [0.0]
我々は、自動化された教師なし機械学習を用いてフェーズダイアグラムを探索する方法を実証する。私たちは、完全に教師なしかつ自動化された方法で、フェーズダイアグラム全体を決定するために、ディープニューラルネットワークを使用します。提案手法により, 予期せぬ特性を有する超固相と超流動相の相分離領域を明らかにすることができる。
論文参考訳（メタデータ） (2020-03-22T14:20:04Z)
Unsupervised machine learning of quantum phase transitions using diffusion maps [77.34726150561087]
本研究では, 測定データの非線形次元減少とスペクトルクラスタリングを行う拡散写像法が, 教師なしの複雑な位相遷移を学習する上で有意なポテンシャルを持つことを示す。この方法は、局所観測可能量の単一の基底での測定に役立ち、多くの実験的な量子シミュレータに容易に適用できる。
論文参考訳（メタデータ） (2020-03-16T18:40:13Z)

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。