Fugu-MT 論文翻訳(概要): Unsupervised Learning of Rydberg Atom Array Phase Diagram with Siamese Neural Networks

論文の概要: Unsupervised Learning of Rydberg Atom Array Phase Diagram with Siamese Neural Networks

arxiv url: http://arxiv.org/abs/2205.04051v1
Date: Mon, 9 May 2022 05:42:04 GMT
ステータス: 処理完了
システム内更新日: 2022-05-10 22:51:33.374537
Title: Unsupervised Learning of Rydberg Atom Array Phase Diagram with Siamese Neural Networks
Title（参考訳）: siameseニューラルネットワークを用いたrydberg原子配列位相図の教師なし学習
Authors: Zakaria Patel, Ejaaz Merali, Sebastian J. Wetzel
Abstract要約: 位相境界を検出するために,SNN(Siamese Neural Networks)に基づく教師なし機械学習手法を提案する。本手法はIsing型系とRydberg原子配列のモンテカルロシミュレーションに適用する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce an unsupervised machine learning method based on Siamese Neural Networks (SNN) to detect phase boundaries. This method is applied to Monte-Carlo simulations of Ising-type systems and Rydberg atom arrays. In both cases the SNN reveals phase boundaries consistent with prior research. The combination of leveraging the power of feed-forward neural networks, unsupervised learning and the ability to learn about multiple phases without knowing about their existence provides a powerful method to explore new and unknown phases of matter.
Abstract（参考訳）: 位相境界を検出するために,SNN(Siamese Neural Networks)に基づく教師なし機械学習手法を提案する。本手法はIsing型系とRydberg原子配列のモンテカルロシミュレーションに適用する。どちらの場合も、SNNは以前の研究と相反する相境界を明らかにする。フィードフォワードニューラルネットワークのパワー、教師なし学習、そしてそれらの存在を知らずに複数のフェーズについて学ぶ能力の組み合わせは、新しい未知の物質相を探索する強力な方法を提供する。

関連論文リスト

Continual Learning with Hebbian Plasticity in Sparse and Predictive Coding Networks: A Survey and Perspective [1.3986052523534573]
ニューロモルフィック連続学習システムの新たなクラスは、ハエの新たな情報を統合することを学ばなければならない。このサーベイは、最先端スパースと予測符号化技術に基づくニューロモルフィック連続学習の分野における最近の多くの研究をカバーしている。この調査は神経形連続学習の分野での今後の研究に貢献することが期待されている。
論文参考訳（メタデータ） (2024-07-24T14:20:59Z)
Towards Scalable and Versatile Weight Space Learning [51.78426981947659]
本稿では,重み空間学習におけるSANEアプローチを紹介する。ニューラルネットワーク重みのサブセットの逐次処理に向けて,超表現の概念を拡張した。
論文参考訳（メタデータ） (2024-06-14T13:12:07Z)
Neuro-mimetic Task-free Unsupervised Online Learning with Continual Self-Organizing Maps [56.827895559823126]
自己組織化マップ(英: Self-organizing map、SOM)は、クラスタリングや次元減少によく用いられるニューラルネットワークモデルである。低メモリ予算下でのオンライン教師なし学習が可能なSOM(連続SOM)の一般化を提案する。 MNIST, Kuzushiji-MNIST, Fashion-MNISTなどのベンチマークでは, ほぼ2倍の精度が得られた。
論文参考訳（メタデータ） (2024-02-19T19:11:22Z)
Rule-Extraction Methods From Feedforward Neural Networks: A Systematic Literature Review [1.1510009152620668]
ルールは、ニューラルネットワークを説明する透過的で直感的な手段を提供する。この研究は、特にフィードフォワードネットワークに教師付き学習とクリップルールで対処する。今後の作業は、他のネットワークタイプ、機械学習メソッド、ファジィルール抽出にまで拡張できる。
論文参考訳（メタデータ） (2023-12-20T09:40:07Z)
Understanding Deep Neural Networks via Linear Separability of Hidden Layers [68.23950220548417]
まず,ミンコフスキー差分に基づく線形分離性尺度(MD-LSMs)を提案し,2点集合の線形分離性度を評価する。隠れ層出力の線形分離度とネットワークトレーニング性能との間には同期性があることを実証する。
論文参考訳（メタデータ） (2023-07-26T05:29:29Z)
How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文参考訳（メタデータ） (2023-06-04T08:53:27Z)
Fusing the Old with the New: Learning Relative Camera Pose with Geometry-Guided Uncertainty [91.0564497403256]
本稿では,ネットワークトレーニング中の2つの予測系間の確率的融合を含む新しい枠組みを提案する。本ネットワークは,異なる対応間の強い相互作用を強制することにより学習を駆動する自己追跡グラフニューラルネットワークを特徴とする。学習に適したモーションパーマリゼーションを提案し、難易度の高いDeMoNおよびScanNetデータセットで最新のパフォーマンスを達成できることを示します。
論文参考訳（メタデータ） (2021-04-16T17:59:06Z)
An SMT-Based Approach for Verifying Binarized Neural Networks [1.4394939014120451]
本稿では,SMTを用いた二元化ニューラルネットワークの検証手法を提案する。我々の手法の1つの新しい点は、二項化コンポーネントと非二項化コンポーネントの両方を含むニューラルネットワークの検証を可能にすることである。我々は、この手法をマラブーフレームワークの拡張として実装し、一般的な二項化ニューラルネットワークアーキテクチャのアプローチを評価する。
論文参考訳（メタデータ） (2020-11-05T16:21:26Z)
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)
Learning representations in Bayesian Confidence Propagation neural networks [0.0]
階層的表現の教師なし学習は、ディープラーニングにおける最も活発な研究方向の1つである。本研究は,局所的なヘビアン学習に基づくニューラルネットワークにおける非教師なし戦略を生物学的にインスピレーションした研究である。
論文参考訳（メタデータ） (2020-03-27T13:47:16Z)

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。