Fugu-MT 論文翻訳(概要): Tensor-networks for High-order Polynomial Approximation: A Many-body Physics Perspective

論文の概要: Tensor-networks for High-order Polynomial Approximation: A Many-body Physics Perspective

arxiv url: http://arxiv.org/abs/2204.07743v1
Date: Sat, 16 Apr 2022 08:11:36 GMT
ステータス: 処理完了
システム内更新日: 2022-04-19 17:01:14.676428
Title: Tensor-networks for High-order Polynomial Approximation: A Many-body Physics Perspective
Title（参考訳）: 高次多項式近似のためのテンソルネット:多体物理の視点から
Authors: Tong Yang
Abstract要約: 我々は多体物理学の観点から高次近似の問題を解析する。記述型モデルのキャパシティキャプチャとタスク複雑性における絡み合いエントロピーのパワーを実証する。
参考スコア（独自算出の注目度）: 8.553988557950351
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We analyze the problem of high-order polynomial approximation from a many-body physics perspective, and demonstrate the descriptive power of entanglement entropy in capturing model capacity and task complexity. Instantiated with a high-order nonlinear dynamics modeling problem, tensor-network models are investigated and exhibit promising modeling advantages. This novel perspective establish a connection between quantum information and functional approximation, which worth further exploration in future research.
Abstract（参考訳）: 多体物理学的な観点から高次多項式近似の問題を解析し、モデル容量とタスク複雑性の把握における絡み合いエントロピーの記述力を示す。高次非線形ダイナミクスモデリング問題によってインスタンス化され、テンソルネットワークモデルが研究され、有望なモデリングの利点を示す。この新しい視点は、量子情報と機能近似の関連性を確立し、将来の研究でさらなる研究に価値がある。

関連論文リスト

Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文参考訳（メタデータ） (2024-09-05T18:14:22Z)
Quantized Fourier and Polynomial Features for more Expressive Tensor Network Models [9.18287948559108]
モデル重みを過度にパラメータ化されたテンソルネットワークに制約することで,特徴量に存在するテンソル構造を利用する。同じ数のモデルパラメータに対して、結果の量子化モデルは、その非量子化モデルとは対照的に、VC次元に高いバウンドを持つことを示す。
論文参考訳（メタデータ） (2023-09-11T13:18:19Z)
Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
論文参考訳（メタデータ） (2023-08-29T07:15:57Z)
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)
Differentiable physics-enabled closure modeling for Burgers' turbulence [0.0]
本稿では、既知の物理と機械学習を組み合わせて乱流問題に対するクロージャモデルを開発する微分可能な物理パラダイムを用いたアプローチについて論じる。我々は、モデルの有効性をテストするために、後方損失関数上の様々な物理仮定を組み込んだ一連のモデルを訓練する。既知物理あるいは既存の閉包アプローチを含む偏微分方程式の形で帰納バイアスを持つ制約モデルが、非常にデータ効率が高く、正確で、一般化可能なモデルを生成することを発見した。
論文参考訳（メタデータ） (2022-09-23T14:38:01Z)
Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文参考訳（メタデータ） (2021-11-02T10:51:42Z)
Learning ground states of quantum Hamiltonians with graph networks [6.024776891570197]
多体シュロディンガー方程式の最低エネルギー固有状態を求めることは、基礎的な問題である。変分法は、低次元の変分多様体内での最良の近似を求めることによってこの問題にアプローチする。グラフニューラルネットワークを用いて、構造化された変分多様体を定義し、パラメータを最適化して高品質な近似を求める。
論文参考訳（メタデータ） (2021-10-12T22:56:16Z)
Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文参考訳（メタデータ） (2021-07-07T11:17:09Z)
Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文参考訳（メタデータ） (2021-02-20T03:17:58Z)
Dynamics of two-dimensional open quantum lattice models with tensor networks [0.0]
熱力学的極限に直接適用可能な無限射影ペア演算子(iPEPO)アンサッツに基づくテンソルネットワーク法を開発した。非平均場限界における散逸的逆量子イジングと駆動散逸型ハードコアボソンモデルを考える。提案手法は,既存の手法の適用範囲をはるかに超えながら,現在の実験に利用できる制度を研究できる。
論文参考訳（メタデータ） (2020-12-22T18:24:20Z)
Tensorized Transformer for Dynamical Systems Modeling [0.0]
動的システムモデリングと言語モデリングタスクの並列性を確立する。本稿では,データの幾何学的性質を組み込んだトランスモデルを提案する。高次元力学系の条件確率の細粒度近似を可能にする反復的学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-05T13:43:37Z)

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。