論文の概要: A machine learning pipeline for autonomous numerical analytic
continuation of Dyson-Schwinger equations
- arxiv url: http://arxiv.org/abs/2112.13011v1
- Date: Fri, 24 Dec 2021 09:56:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-28 17:27:33.175690
- Title: A machine learning pipeline for autonomous numerical analytic
continuation of Dyson-Schwinger equations
- Title(参考訳): Dyson-Schwinger方程式の自律的数値解析継続のための機械学習パイプライン
- Authors: Andreas Windisch, Thomas Gallien, Christopher Schwarzlmueller
- Abstract要約: ダイソン=シュウィンガー方程式(Dyson-Schwinger equations, DSEs)は、場の量子論においてn点関数を表現する非摂動的な方法である。
超球面座標で表されるループ運動量の複素平面における半径成分の積分輪郭を変形しなければならない。
ダイソン=シュウィンガー方程式の性質はそうであるので、自己整合的に解かなければならないので、各ステップの後に積分の解析的性質を解析することはできない。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dyson-Schwinger equations (DSEs) are a non-perturbative way to express
n-point functions in quantum field theory. Working in Euclidean space and in
Landau gauge, for example, one can study the quark propagator Dyson-Schwinger
equation in the real and complex domain, given that a suitable and tractable
truncation has been found. When aiming for solving these equations in the
complex domain, that is, for complex external momenta, one has to deform the
integration contour of the radial component in the complex plane of the loop
momentum expressed in hyper-spherical coordinates. This has to be done in order
to avoid poles and branch cuts in the integrand of the self-energy loop. Since
the nature of Dyson-Schwinger equations is such, that they have to be solved in
a self-consistent way, one cannot analyze the analytic properties of the
integrand after every iteration step, as this would not be feasible. In these
proceedings, we suggest a machine learning pipeline based on deep learning (DL)
approaches to computer vision (CV), as well as deep reinforcement learning
(DRL), that could solve this problem autonomously by detecting poles and branch
cuts in the numerical integrand after every iteration step and by suggesting
suitable integration contour deformations that avoid these obstructions. We
sketch out a proof of principle for both of these tasks, that is, the pole and
branch cut detection, as well as the contour deformation.
- Abstract(参考訳): ダイソン=シュウィンガー方程式(Dyson-Schwinger equations, DSEs)は、場の量子論においてn点関数を表現する非摂動的な方法である。
例えば、ユークリッド空間やランダウゲージで働くと、クォークプロパゲータのダイソン=シュウィンガー方程式を実および複素領域で研究することができる。
これらの方程式を複素領域で解くことを目指すとき、つまり複素外部モータに対して、超球面座標で表されるループ運動量の複素平面における半径成分の積分輪郭を変形しなければならない。
これは自己エネルギーループの積分における極と分岐切断を避けるために行う必要がある。
ダイソン=シュウィンガー方程式の性質はそうであるので、それらは自己一貫性のある方法で解かなければならないので、反復ステップ毎に積分の解析的性質を解析することはできない。
本稿では,コンピュータビジョン(cv)へのディープラーニング(dl)アプローチに基づく機械学習パイプラインと,反復ステップ毎に数値積分の極と分岐を検知し,これらの障害を回避する適切な積分輪郭変形を提案することで,この問題を自律的に解決できる深層強化学習(drl)を提案する。
我々はこれらのタスク、すなわち、棒と枝の切断検出と輪郭変形の両方の原理の証明をスケッチする。
関連論文リスト
- Neural Control Variates with Automatic Integration [49.91408797261987]
本稿では,任意のニューラルネットワークアーキテクチャから学習可能なパラメトリック制御関数を構築するための新しい手法を提案する。
我々はこのネットワークを用いて積分器の反微分を近似する。
我々はウォーク・オン・スフィア・アルゴリズムを用いて偏微分方程式を解くために本手法を適用した。
論文 参考訳(メタデータ) (2024-09-23T06:04:28Z) - Exact dynamics of quantum dissipative $XX$ models: Wannier-Stark localization in the fragmented operator space [49.1574468325115]
振動と非振動崩壊を分離する臨界散逸強度において例外的な点が見つかる。
また、演算子部分空間全体の単一減衰モードにつながる異なるタイプの散逸についても記述する。
論文 参考訳(メタデータ) (2024-05-27T16:11:39Z) - Weak Collocation Regression for Inferring Stochastic Dynamics with
L\'{e}vy Noise [8.15076267771005]
本稿では,L'evyノイズを伴う力学を抽出するためのFokker-Planck(FP)方程式の弱い形式を提案する。
本手法は,多次元問題においても混合雑音を同時に識別することができる。
論文 参考訳(メタデータ) (2024-03-13T06:54:38Z) - Dynamic Gaussian Graph Operator: Learning parametric partial
differential equations in arbitrary discrete mechanics problems [33.32926047057572]
本稿では、任意の離散力学問題において、ニューラル演算子をパラメトリックPDEに拡張する演算子学習アルゴリズムを提案する。
DGGOの効率性とロバスト性は、数値的な任意の離散力学問題を解くために適用することで検証される。
工学的応用として, 幾何学的自由度を持つ超弾性材料の応力場を予測するために, 提案手法を用いた。
論文 参考訳(メタデータ) (2024-03-05T09:25:31Z) - Transolver: A Fast Transformer Solver for PDEs on General Geometries [66.82060415622871]
本稿では, 離散化された測地の背後に隠れた本質的な物理状態を学習するTransolverについて述べる。
スライスから符号化された物理認識トークンに注意を向けることで、Transovlerは複雑な物理的相関を効果的に捉えることができる。
Transolverは6つの標準ベンチマークで22%の相対的な利得で一貫した最先端を実現し、大規模産業シミュレーションでも優れている。
論文 参考訳(メタデータ) (2024-02-04T06:37:38Z) - Score-based Diffusion Models in Function Space [137.70916238028306]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - Gaussian Process regression over discrete probability measures: on the
non-stationarity relation between Euclidean and Wasserstein Squared
Exponential Kernels [0.19116784879310028]
ワッサーシュタイン型2乗指数核とユークリッド型指数核の非定常性関係について検討した。
入力空間をユークリッドとして非定常およびワッサーシュタインに基づくガウス過程モデルに変換するために変換が用いられる。
論文 参考訳(メタデータ) (2022-12-02T17:09:52Z) - Large-Scale Wasserstein Gradient Flows [84.73670288608025]
ワッサーシュタイン勾配流を近似するスケーラブルなスキームを導入する。
我々のアプローチは、JKOステップを識別するために、入力ニューラルネットワーク(ICNN)に依存しています。
その結果、勾配拡散の各ステップで測定値からサンプリングし、その密度を計算することができる。
論文 参考訳(メタデータ) (2021-06-01T19:21:48Z) - Exact imposition of boundary conditions with distance functions in
physics-informed deep neural networks [0.5804039129951741]
本稿では,偏微分方程式の深層学習におけるトレーニングを改善するために,人工ニューラルネットワークにおける幾何対応トライアル関数を提案する。
均質なディリクレ境界条件を正確に課すために、トライアル関数は、PINN近似により$phi$と乗算される。
アフィン境界と曲線境界を持つ領域上の線形および非線形境界値問題に対する数値解を提案する。
論文 参考訳(メタデータ) (2021-04-17T03:02:52Z) - The Connection between Discrete- and Continuous-Time Descriptions of
Gaussian Continuous Processes [60.35125735474386]
我々は、一貫した推定子をもたらす離散化が粗粒化下での不変性を持つことを示す。
この結果は、導関数再構成のための微分スキームと局所時間推論アプローチの組み合わせが、2次または高次微分方程式の時系列解析に役立たない理由を説明する。
論文 参考訳(メタデータ) (2021-01-16T17:11:02Z) - Deep reinforcement learning for complex evaluation of one-loop diagrams
in quantum field theory [0.0]
量子場理論において, 1ループダイアグラムで遭遇する積分の数値解析的連続化を可能にする手法を提案する。
我々は、必要な輪郭変形を行うために強化学習エージェントを訓練する。
本研究は,非摂動2点関数の計算に使用される反復的数値的アプローチにエージェントを配置する際の大きな可能性を示す。
論文 参考訳(メタデータ) (2019-12-27T19:45:24Z)
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。