論文の概要: A comparative study of different machine learning methods for
dissipative quantum dynamics
- arxiv url: http://arxiv.org/abs/2207.02417v1
- Date: Wed, 6 Jul 2022 03:37:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-06 09:55:31.877285
- Title: A comparative study of different machine learning methods for
dissipative quantum dynamics
- Title（参考訳）: 散逸的量子力学のための異なる機械学習手法の比較研究
- Authors: Luis E. Herrera Rodriguez, Arif Ullah, Kennet J. Rueda Espinosa, Pavlo
O. Dral, and Alexei A. Kananenka
- Abstract要約: 教師付き機械学習アルゴリズムは、散逸性量子系の長期集団動態を精度よく効率的に予測できることを示す。
調和浴に線形に結合した2レベル量子系の長期ダイナミクスを予測する能力について,22のMLモデルをベンチメイドした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It has been recently shown that supervised machine learning (ML) algorithms
can accurately and efficiently predict the long-time populations dynamics of
dissipative quantum systems given only short-time population dynamics. In the
present article we benchmaked 22 ML models on their ability to predict
long-time dynamics of a two-level quantum system linearly coupled to harmonic
bath. The models include uni- and bidirectional recurrent, convolutional, and
fully-connected feed-forward artificial neural networks (ANNs) and kernel ridge
regression (KRR) with linear and most commonly used nonlinear kernels. Our
results suggest that KRR with nonlinear kernels can serve as inexpensive yet
accurate way to simulate long-time dynamics in cases where the constant length
of input trajectories is appropriate. Convolutional Gated Recurrent Unit model
is found to be the most efficient ANN model.
- Abstract（参考訳）: 近年、教師付き機械学習(ML)アルゴリズムは、短時間の人口動態のみを与えられた散逸型量子システムの長時間の人口動態を正確かつ効率的に予測できることが示されている。
本稿では,22mlモデルを用いて,高調波浴に線形結合した2レベル量子システムの長時間ダイナミクスを予測した。
モデルは、一方向および二方向のリカレント、畳み込み、完全に接続されたフィードフォワード人工ニューラルネットワーク(ANN)と、線形で一般的に使用される非線形カーネルによるカーネルリッジ回帰(KRR)を含む。
この結果から,非線形カーネルを持つKRRは,入力軌跡の一定長が適切である場合に,長時間のダイナミクスをシミュレートする,安価かつ正確な方法として機能することが示唆された。
畳み込み Gated Recurrent Unit モデルは最も効率的な ANN モデルである。
関連論文リスト
- Scalable Mechanistic Neural Networks [52.28945097811129]
長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。
元のメカニスティックニューラルネットワーク (MNN) を再構成することにより、計算時間と空間の複雑さを、それぞれ、列長に関して立方体と二次体から線形へと減少させる。
大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
論文 参考訳（メタデータ） (2024-10-08T14:27:28Z) - Oscillatory State-Space Models [61.923849241099184]
長いシーケンスを効率的に学習するための線形状態空間モデル(LinOSS)を提案する。
高速な連想並列スキャンを用いて時間とともに統合された安定な離散化により、提案した状態空間モデルが得られる。
我々はLinOSSが普遍であること、すなわち時間変化関数間の連続および因果作用素写像を近似できることを示す。
論文 参考訳（メタデータ） (2024-10-04T22:00:13Z) - A short trajectory is all you need: A transformer-based model for long-time dissipative quantum dynamics [0.0]
深層人工知能ニューラルネットワークは、散逸環境に結合した量子システムの長時間の人口動態を予測することができることを示す。
我々のモデルは、リカレントニューラルネットワークのような古典的な予測モデルよりも正確です。
論文 参考訳（メタデータ） (2024-09-17T16:17:52Z) - Higher order quantum reservoir computing for non-intrusive reduced-order models [0.0]
量子貯水池計算技術(QRC)は、相互接続された小さな量子系のアンサンブルを利用するハイブリッド量子古典的フレームワークである。
QRCは, 複雑な非線形力学系を安定かつ高精度に予測できることを示す。
論文 参考訳（メタデータ） (2024-07-31T13:37:04Z) - Modeling Latent Neural Dynamics with Gaussian Process Switching Linear Dynamical Systems [2.170477444239546]
ガウス過程スイッチング線形力学系(gpSLDS)の2つの目的をバランスさせるアプローチを開発する。
我々の手法は、非線形力学をガウス過程(GP-SDE)で記述した微分方程式による潜在状態の進化をモデル化した以前の研究に基づいている。
本手法は, 離散状態境界近傍の力学における人工振動など, rSLDS の重要な限界を解消するとともに, 力学の後方不確かさを推定する。
論文 参考訳（メタデータ） (2024-07-19T15:32:15Z) - 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) - 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) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳（メタデータ） (2022-11-09T23:40:52Z) - 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) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。