論文の概要: Lattice Convolutional Networks for Learning Ground States of Quantum
Many-Body Systems
- arxiv url: http://arxiv.org/abs/2206.07370v1
- Date: Wed, 15 Jun 2022 08:24:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-16 13:22:20.491037
- Title: Lattice Convolutional Networks for Learning Ground States of Quantum
Many-Body Systems
- Title(参考訳): 量子多体系の基底状態学習のための格子畳み込みネットワーク
- Authors: Cong Fu, Xuan Zhang, Huixin Zhang, Hongyi Ling, Shenglong Xu, Shuiwang
Ji
- Abstract要約: 本稿では,非二乗格子を格子状拡張格子に変換するために,一組の演算を用いた格子畳み込みを提案する。
提案する格子畳み込みネットワーク(LCN)を用いて,自己ゲーティングと注意機構を用いた格子畳み込みネットワーク(LCN)を設計する。
- 参考スコア(独自算出の注目度): 33.82764380485598
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning methods have been shown to be effective in representing
ground-state wave functions of quantum many-body systems. Existing methods use
convolutional neural networks (CNNs) for square lattices due to their
image-like structures. For non-square lattices, existing method uses graph
neural network (GNN) in which structure information is not precisely captured,
thereby requiring additional hand-crafted sublattice encoding. In this work, we
propose lattice convolutions in which a set of proposed operations are used to
convert non-square lattices into grid-like augmented lattices on which regular
convolution can be applied. Based on the proposed lattice convolutions, we
design lattice convolutional networks (LCN) that use self-gating and attention
mechanisms. Experimental results show that our method achieves performance on
par or better than existing methods on spin 1/2 $J_1$-$J_2$ Heisenberg model
over the square, honeycomb, triangular, and kagome lattices while without using
hand-crafted encoding.
- Abstract(参考訳): 深層学習法は、量子多体系の基底状態波動関数の表現に有効であることが示されている。
既存の手法では畳み込みニューラルネットワーク(convolutional neural network, cnns)を正方格子に用いている。
非二乗格子の場合、既存の手法では、構造情報を正確に捉えないグラフニューラルネットワーク(GNN)を使用しており、それによって手作りのサブラッチ符号化が必要となる。
本研究では,非正方格子を正則畳み込みを適用可能な格子状拡張格子に変換するために,提案する演算の集合を用いる格子畳み込みを提案する。
提案する格子畳み込みに基づいて,自己制御と注意機構を用いた格子畳み込みネットワーク(lcn)を設計する。
提案手法は,手作りの符号化を使わずに,正方形,ハニカム,三角形,かごめ格子上の1/2$J_1$-$J_2$ハイゼンベルクモデルよりも高い性能が得られることを示す。
関連論文リスト
- Identification of vortex in unstructured mesh with graph neural networks [0.0]
本稿では,非構造化メッシュ上でのCFD結果の渦を特定するために,U-Netアーキテクチャを用いたグラフニューラルネットワーク(GNN)に基づくモデルを提案する。
2次元CFDメッシュにおける渦領域をラベル付けするための渦自動ラベル法を提案する。
論文 参考訳(メタデータ) (2023-11-11T12:10:16Z) - Permutation Equivariant Neural Functionals [92.0667671999604]
この研究は、他のニューラルネットワークの重みや勾配を処理できるニューラルネットワークの設計を研究する。
隠れた層状ニューロンには固有の順序がないため, 深いフィードフォワードネットワークの重みに生じる置換対称性に着目する。
実験の結果, 置換同変ニューラル関数は多種多様なタスクに対して有効であることがわかった。
論文 参考訳(メタデータ) (2023-02-27T18:52:38Z) - A Finite Element-Inspired Hypergraph Neural Network: Application to
Fluid Dynamics Simulations [4.984601297028257]
ディープラーニング研究の新たなトレンドは、連続体力学シミュレーションにおけるグラフニューラルネットワーク(GNN)の適用に焦点を当てている。
本稿では,ノードをエッジではなく要素で接続することでハイパーグラフを構築する手法を提案する。
本稿では,この手法を有限要素インスパイアされたハイパーグラフニューラルネットワーク(FEIH($phi$)-GNN)と呼ぶ。
論文 参考訳(メタデータ) (2022-12-30T04:10:01Z) - Learning Smooth Neural Functions via Lipschitz Regularization [92.42667575719048]
ニューラルフィールドにおけるスムーズな潜伏空間を促進するために設計された新しい正規化を導入する。
従来のリプシッツ正規化ネットワークと比較して、我々のアルゴリズムは高速で、4行のコードで実装できる。
論文 参考訳(メタデータ) (2022-02-16T21:24:54Z) - Mesh-based graph convolutional neural network models of processes with
complex initial states [0.0]
セグメント化やクラスタリングなしに,初期構造の離散化表現を直接利用するグラフ畳み込みニューラルネットワークを提案する。
提案するネットワークの性能を実証し、従来のピクセルベースの畳み込みニューラルネットワークモデルと3つの大きなデータセット上の特徴ベースの畳み込みニューラルネットワークと比較する。
論文 参考訳(メタデータ) (2021-06-04T03:40:40Z) - Lattice gauge equivariant convolutional neural networks [0.0]
汎用機械学習アプリケーションのためのLattice gauge equivariant Convolutional Neural Networks (L-CNNs)を提案する。
L-CNNは従来の畳み込みニューラルネットワークでは見つけられないゲージ不変量を学習・一般化できることを示した。
論文 参考訳(メタデータ) (2020-12-23T19:00:01Z) - Applying Convolutional Neural Networks to Data on Unstructured Meshes
with Space-Filling Curves [0.4588028371034407]
本稿では,非構造有限要素メッシュや制御ボリュームグリッドのデータに直接適用可能な,最初の古典的畳み込みニューラルネットワーク(CNN)を提案する。
CNNは画像分類や画像圧縮の分野で大きな影響を与えている。
非構造メッシュは偏微分方程式の解法としてよく用いられる。
論文 参考訳(メタデータ) (2020-11-24T01:03:50Z) - Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。
提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。
メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文 参考訳(メタデータ) (2020-10-23T14:49:02Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳(メタデータ) (2020-05-04T20:03:21Z) - Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。
局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。
本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文 参考訳(メタデータ) (2020-04-21T13:40:03Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳(メタデータ) (2020-04-19T09:43:14Z)
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。