論文の概要: Machine learning for knowledge acquisition and accelerated
inverse-design for non-Hermitian systems
- arxiv url: http://arxiv.org/abs/2204.13376v1
- Date: Thu, 28 Apr 2022 09:39:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-29 15:30:17.677190
- Title: Machine learning for knowledge acquisition and accelerated
inverse-design for non-Hermitian systems
- Title(参考訳): 非エルミート系の知識獲得および高速化逆設計のための機械学習
- Authors: W. W. Ahmed, M. Farhat, K. Staliunas, X. Zhang, and Y. Wu
- Abstract要約: 非エルミートシステムにおける知識獲得には教師付き学習技術と教師なし学習技術を用いる。
非保守的環境下での伝送と非対称反射を関連づけたディープラーニングモデルを構築した。
これらの知見は、知的な逆設計の道を開き、一般の非エルミート系における物理的なメカニズムの理解を形作る。
- 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: Non-Hermitian systems offer new platforms for unusual physical properties
that can be flexibly manipulated by redistribution of the real and imaginary
parts of refractive indices, whose presence breaks conventional wave
propagation symmetries, leading to asymmetric reflection and symmetric
transmission with respect to the wave propagation direction. Here, we use
supervised and unsupervised learning techniques for knowledge acquisition in
non-Hermitian systems which accelerate the inverse design process. In
particular, we construct a deep learning model that relates the transmission
and asymmetric reflection in non-conservative settings and proposes
sub-manifold learning to recognize non-Hermitian features from transmission
spectra. The developed deep learning framework determines the feasibility of a
desired spectral response for a given structure and uncovers the role of
effective gain-loss parameters to tailor the spectral response. These findings
pave the way for intelligent inverse design and shape our understanding of the
physical mechanism in general non-Hermitian systems.
- Abstract(参考訳): 非エルミート系は、従来の波動伝播対称性を破り、波動伝播方向に対する非対称反射と対称透過をもたらす屈折率の実際の部分と想像上の部分の再分配によって柔軟に操作できる特異な物理特性のための新しいプラットフォームを提供する。
ここでは,逆設計プロセスの高速化を図る非エルミートシステムにおいて,教師付き学習技術と教師なし学習技術を用いて知識獲得を行う。
特に,非保守的な環境下での伝送と非対称反射を関連付ける深層学習モデルを構築し,伝送スペクトルから非エルミート特徴を認識するためのサブマニフォールド学習を提案する。
開発したディープラーニングフレームワークは、所定の構造に対する所望のスペクトル応答の実現可能性を決定し、スペクトル応答を調整するための効果的なゲイン損失パラメータの役割を明らかにする。
これらの発見は知的逆設計への道を開き、一般の非エルミート系における物理的メカニズムの理解を形作る。
関連論文リスト
- Hallmarks of Optimization Trajectories in Neural Networks: Directional Exploration and Redundancy [75.15685966213832]
最適化トラジェクトリのリッチな方向構造をポイントワイズパラメータで解析する。
トレーニング中のスカラーバッチノルムパラメータは,ネットワーク全体のトレーニング性能と一致していることを示す。
論文 参考訳(メタデータ) (2024-03-12T07:32:47Z) - Restoring Adiabatic State Transfer in Time-Modulated Non-Hermitian
Systems [0.0]
非エルミート系の例外点(EP)を動的に巻くと断熱性が達成できることを示す。
我々の発見は、量子領域と古典領域の両方で様々な波動操作プロトコルを進化させるという約束を提供する。
論文 参考訳(メタデータ) (2024-02-23T12:53:16Z) - Non-Hermitian Floquet-Free Analytically Solvable Time Dependant Systems [0.0]
時間に依存する非エルミートハミルトニアン(英語版)のクラスを導入し、時間的に変調されたオンサイトポテンシャルとカップリングを持つ2レベルシステムを記述する。
提案するハミルトニアン類は,電子回路,音響,フォトニクスなどの異なるプラットフォームを用いて,PT対称性を隠蔽した構造を設計することができる。
論文 参考訳(メタデータ) (2023-02-02T04:57:13Z) - Geometric path augmentation for inference of sparsely observed
stochastic nonlinear systems [0.0]
本稿では,局所的な観測幾何学を考慮した新しいデータ駆動経路拡張手法を提案する。
低サンプリングレートで観測されたシステムに対して,基礎となるシステムの決定論的駆動力を効率的に同定できる。
論文 参考訳(メタデータ) (2023-01-19T14:45:03Z) - Macroscopic noise amplification by asymmetric dyads in non-Hermitian
optical systems for generative diffusion models [55.2480439325792]
非対称な非エルミートダイアドは、効率的なセンサーと超高速な乱数発生器の候補である。
このような非対称なダイアドからの集積光放射は、機械学習の全光学的退化拡散モデルに効率的に利用できる。
論文 参考訳(メタデータ) (2022-06-24T10:19:36Z) - Towards performant and reliable undersampled MR reconstruction via
diffusion model sampling [67.73698021297022]
DiffuseReconは拡散モデルに基づく新しいMR再構成法である。
観測された信号に基づいて生成過程を導出する。
特定の加速因子に関する追加の訓練は必要としない。
論文 参考訳(メタデータ) (2022-03-08T02:25:38Z) - Structure-Preserving Learning Using Gaussian Processes and Variational
Integrators [62.31425348954686]
本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。
我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
論文 参考訳(メタデータ) (2021-12-10T11:09:29Z) - Exact solutions of interacting dissipative systems via weak symmetries [77.34726150561087]
我々は任意の強い相互作用や非線形性を持つクラスマルコフ散逸系(英語版)のリウヴィリアンを解析的に対角化する。
これにより、フルダイナミックスと散逸スペクトルの正確な記述が可能になる。
我々の手法は他の様々なシステムに適用でき、複雑な駆動散逸量子系の研究のための強力な新しいツールを提供することができる。
論文 参考訳(メタデータ) (2021-09-27T17:45:42Z) - Learning to Discover Reflection Symmetry via Polar Matching Convolution [33.77926792753373]
我々は、極性特徴プーリング、自己相似符号化、異なる角度の軸に対するカーネル設計を活用する、極性マッチング畳み込みと呼ばれる新しい畳み込み手法を導入する。
提案した高次元カーネル畳み込みネットワークは,実世界の画像から対称性パターンを効果的に発見する。
実験により,本手法は精度とロバスト性において最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2021-08-30T01:50:51Z) - Sampling asymmetric open quantum systems for artificial neural networks [77.34726150561087]
非対称な開系に対する高速収束時間と高いスケーラビリティを実現し,非対称性を考慮したハイブリッドサンプリング戦略を提案する。
我々は、ニューラルネットワークの普遍的適用性を強調し、ニューラルネットワークの普遍的適用性を概説する。
論文 参考訳(メタデータ) (2020-12-20T18:25:29Z)
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。