論文の概要: Automatic Evolution of Machine-Learning based Quantum Dynamics with
Uncertainty Analysis
- arxiv url: http://arxiv.org/abs/2205.03600v1
- Date: Sat, 7 May 2022 08:53:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 01:15:12.268747
- Title: Automatic Evolution of Machine-Learning based Quantum Dynamics with
Uncertainty Analysis
- Title(参考訳): 不確実性解析を用いた機械学習に基づく量子ダイナミクスの自動進化
- Authors: Kunni Lin, Jiawei Peng, Chao Xu, Feng Long Gu and Zhenggang Lan
- Abstract要約: 長期記憶リカレントニューラルネットワーク(LSTM-RNN)モデルは、長期量子力学をシミュレートするために用いられる。
この研究は、オープン量子システムの動的進化をシミュレートする効果的な機械学習アプローチを構築する。
- 参考スコア(独自算出の注目度): 4.629634111796585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The machine learning approaches are applied in the dynamical simulation of
open quantum systems. The long short-term memory recurrent neural network
(LSTM-RNN) models are used to simulate the long-time quantum dynamics, which
are built based on the key information of the short-time evolution. We employ
various hyperparameter optimization methods, including the simulated annealing,
Bayesian optimization with tree-structured parzen estimator and random search,
to achieve the automatic construction and adjustment of the LSTM-RNN models.
The implementation details of three hyperparameter optimization methods are
examined, and among them the simulated annealing approach is strongly
recommended due to its excellent performance. The uncertainties of the machine
learning models are comprehensively analyzed by the combination of bootstrap
sampling and Monte-Carlo dropout approaches, which give the prediction
confidence of the LSTM-RNN models in the simulation of the open quantum
dynamics. This work builds an effective machine learning approach to simulate
the dynamics evolution of open quantum systems. In addition, the current study
provides an efficient protocol to build the optimal neural networks and to
estimate the trustiness of the machine learning models.
- Abstract(参考訳): 機械学習のアプローチは、オープン量子システムの力学シミュレーションに応用される。
長期記憶リカレントニューラルネットワーク(LSTM-RNN)モデルは、短時間進化の重要な情報に基づいて構築される長期量子力学をシミュレートするために使用される。
シミュレーションアニーリング,木構造パーゼン推定器を用いたベイズ最適化,ランダムサーチなどのハイパーパラメータ最適化手法を用いて,LSTM-RNNモデルの自動構築と調整を行う。
3つのハイパーパラメータ最適化手法の実装詳細について検討し,その性能上,シミュレートアニーリングアプローチが強く推奨されている。
機械学習モデルの不確実性はブートストラップサンプリングとモンテカルロドロップアウト法の組み合わせによって包括的に解析され、これはオープン量子力学のシミュレーションにおいてlstm-rnnモデルの予測信頼度を与える。
この研究は、オープン量子システムの動的進化をシミュレートする効果的な機械学習アプローチを構築する。
さらに、本研究では、最適なニューラルネットワークを構築し、機械学習モデルの信頼性を推定するための効率的なプロトコルを提供する。
関連論文リスト
- A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-01-26T09:35:17Z) - End-to-End Reinforcement Learning of Koopman Models for Economic
Nonlinear Model Predictive Control [50.0791489606211]
非線形モデル予測制御((e)NMPC)は、すべての状態空間領域において十分正確なシステムモデルを必要とする。
メカニスティックモデルのためのデータ駆動サロゲートモデルは、(e)NMPCの計算負担を軽減するために使用できる。
In this method for end-to-end reinforcement learning of dynamic surrogate model for optimal performance in (e)NMPC applications。
論文 参考訳(メタデータ) (2023-08-03T10:21:53Z) - 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) - Realization of the Trajectory Propagation in the MM-SQC Dynamics by
Using Machine Learning [4.629634111796585]
本研究では,教師付き機械学習(ML)アプローチを適用し,軌道に基づく非線形力学を実現する。
提案したアイデアは、いくつかのサイト・エクシトン電子-フォノンカップリングモデルの力学シミュレーションにおいて信頼性と正確性があることが証明されている。
論文 参考訳(メタデータ) (2022-07-11T01:23:36Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳(メタデータ) (2022-04-09T22:07:34Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳(メタデータ) (2022-03-15T09:38:15Z) - Learning Stochastic Dynamics with Statistics-Informed Neural Network [0.4297070083645049]
データからダイナミクスを学習するための、統計情報ニューラルネットワーク(SINN)という機械学習フレームワークを導入する。
本研究では,ニューラルネットワークモデルの学習機構を考案し,対象プロセスの正しい統計的挙動を再現する。
得られた低次モデルが時間的に粗い粒度データに基づいて訓練可能であることを示す。
論文 参考訳(メタデータ) (2022-02-24T18:21:01Z) - Simulation of Open Quantum Dynamics with Bootstrap-Based Long Short-Term
Memory Recurrent Neural Network [0.0]
ブートストラップ法はLSTM-NNの構成と予測に適用される。
ブートストラップに基づくLSTM-NNアプローチは、オープンシステムの長期量子力学を伝播する実用的で強力なツールである。
論文 参考訳(メタデータ) (2021-08-03T05:58:54Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Autoregressive Neural Network for Simulating Open Quantum Systems via a
Probabilistic Formulation [3.886883839410292]
オープン量子システムのダイナミクスに対処するためのアプローチを提案する。
フォワード・バック・タペソイド法を用いて、リウヴィリア超作用素の力学をシミュレートし、変分定式化により定常状態を求める。
本稿では,自己回帰型ニューラルネットワークの対称性を部分的に復元し,局所相関の記述を改善する改良された文字列状態(String States)を導入する。
論文 参考訳(メタデータ) (2020-09-11T18:00:00Z) - Error-feedback stochastic modeling strategy for time series forecasting
with convolutional neural networks [11.162185201961174]
本稿では,ランダム畳み込みネットワーク(ESM-CNN)ニューラル時系列予測タスクを構築するための新しいError-feedback Modeling (ESM)戦略を提案する。
提案したESM-CNNは、最先端のランダムニューラルネットワークを上回るだけでなく、トレーニングされた最先端のディープニューラルネットワークモデルと比較して、予測能力と計算オーバーヘッドの低減も実現している。
論文 参考訳(メタデータ) (2020-02-03T13:30:29Z)
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。