論文の概要: Dark Solitons in Bose-Einstein Condensates: A Dataset for Many-body Physics Research

• arxiv url: http://arxiv.org/abs/2205.09114v1
• Date: Tue, 17 May 2022 09:53:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-20 11:56:36.871016
• Title: Dark Solitons in Bose-Einstein Condensates: A Dataset for Many-body Physics Research
• Title（参考訳）: ボース・アインシュタイン凝縮中の暗いソリトン:多体物理学研究のためのデータセット
• Authors: Amilson R. Fritsch, Shangjie Guo, Sophia M. Koh, I. B. Spielman, Justyna P. Zwolak
• Abstract要約: 我々は、ソリトニック励起を含むボース=アインシュタイン凝縮体の1.6タイムs104$の実験画像のデータセットを確立する。 このデータセットの約33%は、手動で調整されたラベルを割り当てている。 残りは、物理インフォームされたMLデータ分析フレームワークであるSolDetを使って自動的にラベル付けされる。
• 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: We establish a dataset of over $1.6\times10^4$ experimental images of Bose-Einstein condensates containing solitonic excitations to enable machine learning (ML) for many-body physics research. About 33 % of this dataset has manually assigned and carefully curated labels. The remainder is automatically labeled using SolDet -- an implementation of a physics-informed ML data analysis framework -- consisting of a convolutional-neural-network-based classifier and object detector as well as a statistically motivated physics-informed classifier and a quality metric. This technical note constitutes the definitive reference of the dataset, providing an opportunity for the data science community to develop more sophisticated analysis tools, to further understand nonlinear many-body physics, and even advance cold atom experiments.
• Abstract（参考訳）: 単調な励起を含むボース=アインシュタイン凝縮体の1.6\times10^4$以上の実験画像のデータセットを構築し、多体物理学研究のために機械学習(ML)を可能にする。 このデータセットの約33%は手動でラベルを割り当て、注意深くキュレートしている。 残りはSolDetという物理インフォームドMLデータ分析フレームワークの実装を使用して自動的にラベル付けされる。畳み込みニューラルネットワークベースの分類器とオブジェクト検出器、統計的に動機付けられた物理インフォームド分類器と品質測定器で構成されている。 この技術的注記はデータセットの確定的な参照であり、データサイエンスコミュニティがより洗練された分析ツールを開発し、非線形多体物理学をさらに理解し、冷水原子実験を前進させる機会を提供する。

関連論文リスト

• The Sound of Water: Inferring Physical Properties from Pouring Liquids [85.30865788636386]
  注水液の音響・視覚観測と物理の関連性について検討した。 本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
  論文  参考訳（メタデータ） (2024-11-18T01:19:37Z)
• 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)
• Large Language Models as Master Key: Unlocking the Secrets of Materials Science with GPT [9.33544942080883]
  本稿では,物質科学におけるデバイスレベルでの情報抽出の複雑さに対処するため,構造化情報推論(SII)と呼ばれる自然言語処理(NLP)タスクを提案する。 我々は、既存のペロブスカイト型太陽電池FAIRデータセットに91.8%のF1スコアでGPT-3をチューニングし、リリース以来のデータでデータセットを拡張した。 また、太陽電池の電気性能を予測する実験を設計し、大規模言語モデル(LLM)を用いてターゲットパラメータを持つ材料や装置の設計を行った。
  論文  参考訳（メタデータ） (2023-04-05T04:01:52Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• Single-shot self-supervised particle tracking [0.0]
  本研究では,1枚の未ラベル画像からサブピクセル精度で物体の追跡を学習する新しいディープラーニング手法を提案する。 LodeSTARは従来の手法よりも精度が高いことを示す。 単一のラベルのないイメージでディープラーニングモデルをトレーニングする機能のおかげで、LodeSTARは高品質の顕微鏡分析パイプラインの開発を加速することができる。
  論文  参考訳（メタデータ） (2022-02-28T05:02:20Z)
• Combining Machine Learning with Physics: A Framework for Tracking and Sorting Multiple Dark Solitons [0.0]
  超低温原子実験では、データは情報損失を被る画像の形で現れることが多い。 機械学習(ML)モデルと物理に基づく伝統的な分析を組み合わせたフレームワークについて述べる。 このフレームワークの訓練された実装であるSolDetは、オープンソースのpythonパッケージとして公開されています。
  論文  参考訳（メタデータ） (2021-11-08T23:49:04Z)
• Self-Supervised Neural Architecture Search for Imbalanced Datasets [129.3987858787811]
  ニューラルアーキテクチャサーチ(NAS)は、アノテートラベル付きよく計算されたデータセットでトレーニングされた場合、最先端の結果を提供する。 a) アーキテクチャを決定するためにラベルを必要とせず、(b) データセットが不均衡であると仮定する自己管理シナリオに焦点を当てたNASベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-17T14:56:36Z)
• A FAIR and AI-ready Higgs Boson Decay Dataset [15.325110053200305]
  この記事では、与えられたデータセットがそれぞれのFAIR原則を満たすかどうかを評価するためのステップバイステップアセスメントガイドを提供する。 次に、CERN Large Hadron ColliderのCMS Collaborationによって生成されたオープン・シミュレートされたデータセットのFAIRnessを評価するために、このガイドを使用する方法を示す。 この研究は、高エネルギー粒子物理学データセットとAIモデルにおけるFAIRnessの作成と定量化に科学者を導くための一連の論文の中で、最初のものである。
  論文  参考訳（メタデータ） (2021-08-04T18:00:03Z)
• Shared Data and Algorithms for Deep Learning in Fundamental Physics [4.914920952758052]
  我々は、素粒子物理学、天体物理学、ハドロン物理学、核物理学を含む基礎物理学研究のデータセットの収集を紹介する。 これらのデータセットは、トップクォーク、宇宙線による大気シャワー、ハドロン物質の相転移、およびジェネレータレベルの履歴を含む。 我々は、広範囲の教師付き学習タスクに容易に適用可能な、単純で柔軟なグラフベースのニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-07-01T18:00:00Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)

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。