論文の概要: Combining Machine Learning with Physics: A Framework for Tracking and Sorting Multiple Dark Solitons

• arxiv url: http://arxiv.org/abs/2111.04881v1
• Date: Mon, 8 Nov 2021 23:49:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-11-10 15:09:10.457663
• Title: Combining Machine Learning with Physics: A Framework for Tracking and Sorting Multiple Dark Solitons
• Title（参考訳）: 機械学習と物理を組み合わせる: 複数のダークソリトンを追跡し分類するフレームワーク
• Authors: Shangjie Guo, Sophia M. Koh, Amilson R. Fritsch, I. B. Spielman, and Justyna P. Zwolak
• Abstract要約: 超低温原子実験では、データは情報損失を被る画像の形で現れることが多い。 機械学習(ML)モデルと物理に基づく伝統的な分析を組み合わせたフレームワークについて述べる。 このフレームワークの訓練された実装であるSolDetは、オープンソースのpythonパッケージとして公開されています。
• 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: In ultracold atom experiments, data often comes in the form of images which suffer information loss inherent in the techniques used to prepare and measure the system. This is particularly problematic when the processes of interest are complicated, such as interactions among excitations in Bose-Einstein condensates (BECs). In this paper, we describe a framework combining machine learning (ML) models with physics-based traditional analyses to identify and track multiple solitonic excitations in images of BECs. We use an ML-based object detector to locate the solitonic excitations and develop a physics-informed classifier to sort solitonic excitations into physically motivated sub-categories. Lastly, we introduce a quality metric quantifying the likelihood that a specific feature is a kink soliton. Our trained implementation of this framework -- SolDet -- is publicly available as an open-source python package. SolDet is broadly applicable to feature identification in cold atom images when trained on a suitable user-provided dataset.
• Abstract（参考訳）: 超低温原子実験では、データはしばしば、システムの準備と測定に使用される技術に固有の情報損失を被る画像の形で現れる。 これは、ボース=アインシュタイン凝縮(BEC)における励起間の相互作用など、興味のある過程が複雑である場合に特に問題となる。 本稿では,機械学習モデルと物理に基づく従来の分析モデルを組み合わせて,BECの画像中の複数のソリトニック励起を同定・追跡するフレームワークについて述べる。 MLに基づく物体検出器を用いてソリトニック励起を検出し、ソリトニック励起を物理的に動機付けられたサブカテゴリに分類する物理インフォームド分類器を開発する。 最後に,特定の特徴がキンクソリトンである可能性を定量化する品質指標を導入する。 このフレームワークのトレーニング済みの実装であるsoldetは、オープンソースpythonパッケージとして公開されています。 SolDetは、適切なユーザが提供するデータセットでトレーニングされた場合、コールド原子画像の特徴識別に広く適用できる。

関連論文リスト

• Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
  古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。 このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。 我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
  論文  参考訳（メタデータ） (2026-01-29T14:29:21Z)
• Quantum Kernel Machine Learning for Autonomous Materials Science [8.427117140232033]
  自律的な材料科学の重要な側面は、できるだけ少ないデータを使って新しい材料を探索することである。 最近の理論的なブレークスルーは、量子カーネルモデルが古典的モデルよりも少ないトレーニングデータで同様の性能を達成できることを示している。 我々は,Fe-Ga-Pd3元組成展開ライブラリから抽出したX線回折パターンに対して,量子カーネルといくつかの古典的カーネルを演算する。
  論文  参考訳（メタデータ） (2026-01-16T21:01:08Z)
• Continuous-variable photonic quantum extreme learning machines for fast collider-data selection [0.0]
  我々は、コライダーデータ処理のための高速かつ低オーバーヘッドのフロントエンドとして、連続可変フォトニック量子極端学習マシンについて研究する。 データは二次変位を通じてフォトニックモードで符号化され、固定時間ガウス量子基板を介して伝播する。 1つの線形解法を用いて線形分類器のみを訓練するので、再学習は高速であり、光学パスと検出器応答は解析と推論の遅延を設定できる。
  論文  参考訳（メタデータ） (2025-10-15T18:21:32Z)
• Quantum-informed simulations for mechanics of materials: DFTB+MBD framework [40.83978401377059]
  本研究では, 材料工学に関連するシステムの力学特性を量子効果によってどのように変化させるかを検討する。 この作業で提示されたすべてのコード、データセット、サンプルを含むオープンソースリポジトリを提供する。
  論文  参考訳（メタデータ） (2024-04-05T16:59:01Z)
• Nonnegative/Binary Matrix Factorization for Image Classification using Quantum Annealing [0.0]
  画像分類のための量子アニールを用いた行列分解法を実装した。 以上の結果から,NAMFで訓練したモデルの精度は,データ量,特徴量,エポックスが小さい場合,従来の機械学習手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-02T06:41:27Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Dark Solitons in Bose-Einstein Condensates: A Dataset for Many-body Physics Research [0.0]
  我々は、ソリトニック励起を含むボース=アインシュタイン凝縮体の1.6タイムs104$の実験画像のデータセットを確立する。 このデータセットの約33%は、手動で調整されたラベルを割り当てている。 残りは、物理インフォームされたMLデータ分析フレームワークであるSolDetを使って自動的にラベル付けされる。
  論文  参考訳（メタデータ） (2022-05-17T09:53:16Z)
• Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
  古典力学の先行概念を機械学習モデルに統合する手法が提案されている。 これらのモデルの現在の機能について、精査する。 連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
  論文  参考訳（メタデータ） (2021-11-09T23:48:21Z)
• Tracing Information Flow from Open Quantum Systems [52.77024349608834]
  我々は導波路アレイに光子を用いて、キュービットと低次元の離散環境とのカップリングの量子シミュレーションを実装した。 量子状態間のトレース距離を情報の尺度として用いて、異なるタイプの情報伝達を分析する。
  論文  参考訳（メタデータ） (2021-03-22T16:38:31Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Machine-learning enhanced dark soliton detection in Bose-Einstein condensates [0.0]
  原子ボース・アインシュタイン凝縮体(BEC)における局所励起の自動分類と位置決めシステムについて述べる。 私たちは、機械学習の研究のために、最初のダークソリトンのラベル付きデータセットをオープンに公開しました。
  論文  参考訳（メタデータ） (2021-01-14T00:44:56Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。