論文の概要: Observing how deep neural networks understand physics through the energy
spectrum of one-dimensional quantum mechanics
- arxiv url: http://arxiv.org/abs/2201.06676v1
- Date: Tue, 18 Jan 2022 00:35:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-19 18:39:44.733570
- Title: Observing how deep neural networks understand physics through the energy
spectrum of one-dimensional quantum mechanics
- Title（参考訳）: 1次元量子力学のエネルギースペクトルによる深部ニューラルネットワークの物理理解の観察
- Authors: Kenzo Ogure
- Abstract要約: ニューラルネットワーク(NN)が1次元量子力学を用いて物理学をどのように理解するかを検討した。
NNをトレーニングし、ポテンシャルからエネルギー固有値を正確に予測した後、NNの物理理解を4つの異なる側面から確認した。
訓練されたNNは、学習したものと異なるポテンシャルのエネルギー固有値を予測し、ポテンシャルの最小値と最大値に着目し、訓練中に使われていない粒子の存在の確率分布を予測し、訓練されていない物理現象を再現する。
- 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: We investigated how neural networks (NNs) understand physics using
one-dimensional quantum mechanics. After training an NN to accurately predict
energy eigenvalues from potentials, we used it to confirm the NN's
understanding of physics from four different aspects. The trained NN could
predict energy eigenvalues of a different potential than the one learned, focus
on minima and maxima of a potential, predict the probability distribution of
the existence of particles not used during training, and reproduce untrained
physical phenomena. These results show that NNs can learn the laws of physics
from only a limited set of data, predict the results of experiments under
conditions different from those used for training, and predict physical
quantities of types not provided during training. Since NNs understand physics
through a different path than humans take, and by complementing the human way
of understanding, they will be a powerful tool for advancing physics.
- Abstract（参考訳）: ニューラルネットワーク(NN)が1次元量子力学を用いて物理学をどのように理解するかを検討した。
NNをトレーニングし、ポテンシャルからエネルギー固有値を正確に予測した後、NNの物理理解を4つの異なる側面から確認した。
訓練されたNNは、学習したものと異なるポテンシャルのエネルギー固有値を予測し、ポテンシャルの最小値と最大値に着目し、訓練中に使われていない粒子の存在の確率分布を予測し、訓練されていない物理現象を再現する。
これらの結果から,NNは限られたデータのみから物理法則を学習し,トレーニングで使用するものとは異なる条件下での実験結果を予測し,トレーニング中に提供されない種類の物理量を予測することができることがわかった。
NNは人間と異なる経路で物理学を理解し、人間の理解の仕方を補完することで、物理学を進化させる強力なツールになるだろう。
関連論文リスト
- Latent Intuitive Physics: Learning to Transfer Hidden Physics from A 3D Video [58.043569985784806]
本稿では,物理シミュレーションのための伝達学習フレームワークである潜在直観物理学を紹介する。
単一の3Dビデオから流体の隠れた性質を推測し、新しいシーンで観察された流体をシミュレートすることができる。
我々は,本モデルの有効性を3つの方法で検証する: (i) 学習されたビジュアルワールド物理を用いた新しいシーンシミュレーション, (ii) 観測された流体力学の将来予測, (iii) 教師付き粒子シミュレーション。
論文 参考訳（メタデータ） (2024-06-18T16:37:44Z) - What is my quantum computer good for? Quantum capability learning with physics-aware neural networks [0.0]
本稿では,学習能力モデルのための量子物理学的ニューラルネットワークアーキテクチャを提案する。
我々のアーキテクチャは、量子プログラムにおけるエラーの物理に対する効率的な近似とグラフニューラルネットワークの側面を組み合わせる。
このアプローチは、実験データとシミュレーションデータの両方における平均絶対誤差を最大$sim50%$還元する。
論文 参考訳（メタデータ） (2024-06-09T04:11:41Z) - Transfer learning in predicting quantum many-body dynamics: from physical observables to entanglement entropy [0.6581635937019595]
本稿では,多体系の物理観測値のサブセットに基づいてトレーニングされたニューラルネットワークの能力について述べる。
特に、トレーニング済みのニューラルネットワークが絡み合いのエントロピーの学習をいかに促進するかに焦点を当てる。
論文 参考訳（メタデータ） (2024-05-25T14:32:21Z) - Deep Quantum Graph Dreaming: Deciphering Neural Network Insights into
Quantum Experiments [0.5242869847419834]
ニューラルネットワークが量子光学実験で何を学ぶかを調べるために、$inception$または$deep$$dreaming$というテクニックを使用します。
私たちのストーリーは、量子システムの特性に関するディープニューラルネットワークのトレーニングから始まります。
ネットワークは、量子システムの特性の初期分布をシフトすることができ、ニューラルネットワークの学習戦略を概念化できる。
論文 参考訳（メタデータ） (2023-09-13T16:13:54Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳（メタデータ） (2023-06-29T18:00:01Z) - 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) - On quantum neural networks [91.3755431537592]
量子ニューラルネットワークの概念は、その最も一般的な関数の観点から定義されるべきである。
我々の推論は、量子力学におけるファインマン経路積分定式化の利用に基づいている。
論文 参考訳（メタデータ） (2021-04-12T18:30:30Z) - Emergent Quantumness in Neural Networks [0.0]
隠れ変数の化学ポテンシャルによって決定される「プランク定数」でSchr"odinger方程式を導出する。
また,機械学習や基礎物理学,進化生物学における研究結果の意義についても考察した。
論文 参考訳（メタデータ） (2020-12-09T14:32:33Z) - Learning Potentials of Quantum Systems using Deep Neural Networks [6.270305440413689]
NNは古典的なハミルトン力学を学ぶことができる。
NNは、量子現象に関する洞察を提供する手段として、観測を通して誘導バイアスを付与することができるか?
論文 参考訳（メタデータ） (2020-06-23T20:10:25Z) - Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。
アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
論文 参考訳（メタデータ） (2020-05-08T16:15:47Z) - Phase Detection with Neural Networks: Interpreting the Black Box [58.720142291102135]
ニューラルネットワーク(NN)は通常、予測の背後にある推論に対する洞察を妨げます。
本研究では,1次元拡張スピンレスFermi-Hubbardモデルの位相を半充足で予測するために,NNのブラックボックスをいかに影響関数が解き放つかを示す。
論文 参考訳（メタデータ） (2020-04-09T17:45:45Z)
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。