論文の概要: Unsupervised and supervised learning of interacting topological phases
from single-particle correlation functions
- arxiv url: http://arxiv.org/abs/2202.09281v1
- Date: Fri, 18 Feb 2022 16:02:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-24 17:34:46.031392
- Title: Unsupervised and supervised learning of interacting topological phases
from single-particle correlation functions
- Title（参考訳）: 単粒子相関関数による相互作用位相相の教師なし・教師なし学習
- Authors: Simone Tibaldi, Giuseppe Magnifico, Davide Vodola, Elisa Ercolessi
- Abstract要約: 本研究では、教師なしおよび教師なしの機械学習技術が、解決可能なモデルのデータに基づいて訓練された場合、正確には解決不可能なモデルのフェーズを予測することができることを示す。
特に,非相互作用量子ワイヤの単一粒子相関関数を用いたトレーニングセットを用いる。
非相互作用モデルのデータに基づいてトレーニングされた主成分分析と畳み込みニューラルネットワークの両方が、相互作用モデルの位相位相を高い精度で識別できることを示す。
- 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 recent advances in machine learning algorithms have boosted the
application of these techniques to the field of condensed matter physics, in
order e.g. to classify the phases of matter at equilibrium or to predict the
real-time dynamics of a large class of physical models. Typically in these
works, a machine learning algorithm is trained and tested on data coming from
the same physical model. Here we demonstrate that unsupervised and supervised
machine learning techniques are able to predict phases of a non-exactly
solvable model when trained on data of a solvable model. In particular, we
employ a training set made by single-particle correlation functions of a
non-interacting quantum wire and by using principal component analysis, k-means
clustering, and convolutional neural networks we reconstruct the phase diagram
of an interacting superconductor. We show that both the principal component
analysis and the convolutional neural networks trained on the data of the
non-interacting model can identify the topological phases of the interacting
model with a high degree of accuracy. Our findings indicate that non-trivial
phases of matter emerging from the presence of interactions can be identified
by means of unsupervised and supervised techniques applied to data of
non-interacting systems.
- Abstract（参考訳）: 機械学習アルゴリズムの最近の進歩は、例えば平衡状態にある物質の位相を分類したり、大規模な物理モデルのリアルタイムダイナミクスを予測するために、これらの手法を凝縮物質物理学の分野に応用することを促進する。
これらの作業では、マシンラーニングアルゴリズムがトレーニングされ、同じ物理モデルから来るデータに基づいてテストされる。
ここでは,教師なし,教師なしの機械学習手法が,可解モデルのデータに基づいて訓練された場合,非可解モデルのフェーズを予測できることを実証する。
特に、相互作用しない量子ワイヤの単一粒子相関関数と主成分分析、k平均クラスタリング、畳み込みニューラルネットワークを用いて、相互作用する超伝導体の位相図を再構成するトレーニングセットを用いる。
非相互作用モデルのデータに基づいてトレーニングされた主成分分析と畳み込みニューラルネットワークの両方が、相互作用モデルの位相位相を高い精度で識別できることを示す。
本研究は, 相互作用の有無から生じる非自明な物質相を非相互作用系のデータに適用し, 教師なし・監督的手法を用いて同定できることを示唆する。
関連論文リスト
- A Comparative Study of Machine Learning Models Predicting Energetics of Interacting Defects [5.574191640970887]
本稿では,相互作用する欠陥のあるシステムの自由エネルギー変化を予測する3つの方法の比較研究を行う。
その結果,この限られたデータセットであっても,クラスタ展開モデルによって正確なエネルギー予測が達成できることが示唆された。
本研究では,不完全な表面システムに機械学習を適用した予備評価を行う。
論文 参考訳（メタデータ） (2024-03-20T02:15:48Z) - In-Context Convergence of Transformers [63.04956160537308]
勾配降下法により訓練したソフトマックスアテンションを有する一層変圧器の学習力学について検討した。
不均衡な特徴を持つデータに対しては、学習力学が段階的に収束する過程をとることを示す。
論文 参考訳（メタデータ） (2023-10-08T17:55:33Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Stretched and measured neural predictions of complex network dynamics [2.1024950052120417]
微分方程式のデータ駆動近似は、力学系のモデルを明らかにする従来の方法に代わる有望な方法である。
最近、ダイナミックスを研究する機械学習ツールとしてニューラルネットワークが採用されている。これは、データ駆動型ソリューションの検出や微分方程式の発見に使用できる。
従来の統計学習理論の限界を超えてモデルの一般化可能性を拡張することは可能であることを示す。
論文 参考訳（メタデータ） (2023-01-12T09:44:59Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文 参考訳（メタデータ） (2021-10-22T15:43:03Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - 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) - The Role of Isomorphism Classes in Multi-Relational Datasets [6.419762264544509]
アイソモーフィックリークは,マルチリレーショナル推論の性能を過大評価することを示す。
モデル評価のためのアイソモーフィック・アウェア・シンセサイティング・ベンチマークを提案する。
また、同型類は単純な優先順位付けスキームによって利用することができることを示した。
論文 参考訳（メタデータ） (2020-09-30T12:15:24Z) - Watch and learn -- a generalized approach for transferrable learning in
deep neural networks via physical principles [0.0]
本研究では,物理状態の異なる統計物理学における問題に対して,完全に伝達可能な学習を実現するための教師なし学習手法を実証する。
逐次ニューラルネットワークに基づくシーケンスモデルを広範囲のディープニューラルネットワークに結合することにより、古典的な統計力学系の平衡確率分布と粒子間相互作用モデルを学ぶことができる。
論文 参考訳（メタデータ） (2020-03-03T18:37:23Z)
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。