論文の概要: Neural Symplectic Integrator with Hamiltonian Inductive Bias for the
Gravitational $N$-body Problem
- arxiv url: http://arxiv.org/abs/2111.15631v1
- Date: Sun, 28 Nov 2021 16:15:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-01 16:53:00.217602
- Title: Neural Symplectic Integrator with Hamiltonian Inductive Bias for the
Gravitational $N$-body Problem
- Title（参考訳）: 重力n$-body問題に対するハミルトニアン帰納的バイアスをもつ神経シンプレクティック積分器
- Authors: Maxwell X. Cai, Simon Portegies Zwart, Damian Podareanu
- Abstract要約: 本稿では,ハミルトニアンを2体に分割する神経的な$N$ボディ積分器と,NNと近似する相互作用部について述べる。
我々の神経シンプレクティックな$N$ボディコードは、従来の$N$ボディインテグレータから得られる真実のダイナミクスから逸脱することなく、一般的な3体システムを105ドルのステップで統合します。
- 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: The gravitational $N$-body problem, which is fundamentally important in
astrophysics to predict the motion of $N$ celestial bodies under the mutual
gravity of each other, is usually solved numerically because there is no known
general analytical solution for $N>2$. Can an $N$-body problem be solved
accurately by a neural network (NN)? Can a NN observe long-term conservation of
energy and orbital angular momentum? Inspired by Wistom & Holman (1991)'s
symplectic map, we present a neural $N$-body integrator for splitting the
Hamiltonian into a two-body part, solvable analytically, and an interaction
part that we approximate with a NN. Our neural symplectic $N$-body code
integrates a general three-body system for $10^{5}$ steps without diverting
from the ground truth dynamics obtained from a traditional $N$-body integrator.
Moreover, it exhibits good inductive bias by successfully predicting the
evolution of $N$-body systems that are no part of the training set.
- Abstract（参考訳）: 互いの重力下でのN$天体の運動を予測するために、天体物理学において基本的に重要である重力$N$体問題は、通常、N>2$の一般的な解析解がないため、数値的に解決される。
n$-body問題はニューラルネットワーク(nn)によって正確に解決できるか?
NNはエネルギーと軌道角運動量の長期保存を観測できるのか?
Wistom & Holman (1991) のシンプレクティックマップに触発されて、ハミルトニアンを2体に分割する神経的な$N$ボディ積分器と、NNと近似する相互作用部を提示する。
私たちのニューラルシンプレクティックな$n$-bodyコードは、従来の$n$-bodyインテグレータから得られた基底真理ダイナミクスから逸脱することなく、一般的な3体システムを$10^{5}$ステップで統合します。
さらに、トレーニングセットに含まれないn$ボディーシステムの進化をうまく予測することで、優れた帰納的バイアスを示す。
関連論文リスト
- Large N vector models in the Hamiltonian framework [0.0]
まず、クォート相互作用を持つ量子力学系の簡単な設定で提案する。
次に、これらのテクニックを$O(N)$モデルに$2+1$と$3+1$の次元で適用する。
システムの基底状態を決定するギャップ方程式など,様々な既知の結果を復元する。
論文 参考訳（メタデータ） (2025-02-12T00:18:02Z) - Solving one-body ensemble N-representability problems with spin [1.0485739694839669]
許容軌道1体還元密度行列の集合は、自然軌道占有数に対する線形スペクトル制約によって完全に特徴づけられることを示す。
この結果は、アンサンブル密度(行列)汎関数理論の重大な欠落基盤を提供する。
論文 参考訳（メタデータ） (2024-12-02T18:50:01Z) - Beating the natural Grover bound for low-energy estimation and state preparation [0.23034630097498876]
多体ハミルトニアンの基底状態エネルギーの推定は、量子物理学の多くの分野において中心的な課題である。
量子アルゴリズムは、任意の$k$-body Hamiltonian $H$を与えられた場合、基底状態エネルギーの見積もりを計算する。
論文 参考訳（メタデータ） (2024-07-03T12:47:06Z) - Predicting Ground State Properties: Constant Sample Complexity and Deep Learning Algorithms [48.869199703062606]
量子多体物理学における基本的な問題は、局所ハミルトニアンの基底状態を見つけることである。
基底状態特性を学習するためのシステムサイズ$n$とは無関係に,一定のサンプル複雑性を実現する2つのアプローチを導入する。
論文 参考訳（メタデータ） (2024-05-28T18:00:32Z) - Spatially heterogeneous learning by a deep student machine [0.0]
多数の調整可能なパラメータを持つディープニューラルネットワーク(DNN)は、ほとんどブラックボックスのままである。
我々は,教師学生設定と呼ばれる統計力学手法を用いて,NL$パーセプトロンと$c$入力からなるDNNと深度$L$の教師学習について検討した。
N gg c gg 1$ and $M gg 1$ with fixed $alpha=M/c$ using the replica method developed in (H. Yoshino,)
論文 参考訳（メタデータ） (2023-02-15T01:09:03Z) - Generalization Ability of Wide Neural Networks on $\mathbb{R}$ [8.508360765158326]
広い2層ReLUニューラルネットワークのmathbbR$上での一般化能力について検討した。
$i)$幅$mrightarrowinfty$のとき、ニューラルネットワークカーネル(NNK)がNTKに均一に収束すると、$ii)$$$$K_1$のRKHSに対する回帰の最小値が$n-2/3$;$iii)$ 広義のニューラルネットワークをトレーニングする際に早期停止戦略を採用する場合、$ivとなる。
論文 参考訳（メタデータ） (2023-02-12T15:07:27Z) - Bounding the Width of Neural Networks via Coupled Initialization -- A
Worst Case Analysis [121.9821494461427]
2層ReLUネットワークに必要なニューロン数を著しく削減する方法を示す。
また、事前の作業を改善するための新しい下位境界を証明し、ある仮定の下では、最善を尽くすことができることを証明します。
論文 参考訳（メタデータ） (2022-06-26T06:51:31Z) - Nuclei with up to $\boldsymbol{A=6}$ nucleons with artificial neural
network wave functions [52.77024349608834]
人工ニューラルネットワークを用いて、核の波動関数をコンパクトに表現する。
高精度な超球面調和法を用いて, それらの結合エネルギー, 点核子密度, ラジイをベンチマークした。
論文 参考訳（メタデータ） (2021-08-15T23:02:39Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - Machine-Learning Non-Conservative Dynamics for New-Physics Detection [69.45430691069974]
未知の力によって支配される軌道を考えると、ニューラル・ニュー物理検出器(NNPhD)は新しい物理を検出することを目的としています。
我々はNNPhDが、力場を保守的かつ非保守的成分に分解することで、新しい物理学の発見に成功したことを実証する。
また,NNPhDと積分器の結合が,減衰二重振り子の将来を予測する従来の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-05-31T18:00:10Z) - Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with
an artificial neural-network correlator ansatz [62.997667081978825]
光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。
我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
論文 参考訳（メタデータ） (2020-07-28T14:52:28Z)
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。