Fugu-MT 論文翻訳(概要): Towards Learning Self-Organized Criticality of Rydberg Atoms using Graph Neural Networks

論文の概要: Towards Learning Self-Organized Criticality of Rydberg Atoms using Graph Neural Networks

arxiv url: http://arxiv.org/abs/2207.08927v1
Date: Tue, 5 Jul 2022 15:43:16 GMT
ステータス: 処理完了
システム内更新日: 2022-07-24 11:51:02.714428
Title: Towards Learning Self-Organized Criticality of Rydberg Atoms using Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークを用いたRydberg原子の自己組織臨界性学習に向けて
Authors: Simon Ohler and Daniel Brady and Winfried L\"otzsch and Michael Fleischhauer and Johannes S. Otterbach
Abstract要約: 臨界性 (Criticality, SOC) は、普遍的なスケール不変な振る舞いの出現に寄与していると考えられている、ユビキタスな力学現象である。粒子数と粒子密度の2つの重要な軸に沿って、モンテカルロSOCダイナミクスを正確に再現できることを示す。
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: Self-Organized Criticality (SOC) is a ubiquitous dynamical phenomenon believed to be responsible for the emergence of universal scale-invariant behavior in many, seemingly unrelated systems, such as forest fires, virus spreading or atomic excitation dynamics. SOC describes the buildup of large-scale and long-range spatio-temporal correlations as a result of only local interactions and dissipation. The simulation of SOC dynamics is typically based on Monte-Carlo (MC) methods, which are however numerically expensive and do not scale beyond certain system sizes. We investigate the use of Graph Neural Networks (GNNs) as an effective surrogate model to learn the dynamics operator for a paradigmatic SOC system, inspired by an experimentally accessible physics example: driven Rydberg atoms. To this end, we generalize existing GNN simulation approaches to predict dynamics for the internal state of the node. We show that we can accurately reproduce the MC dynamics as well as generalize along the two important axes of particle number and particle density. This paves the way to model much larger systems beyond the limits of traditional MC methods. While the exact system is inspired by the dynamics of Rydberg atoms, the approach is quite general and can readily be applied to other systems.
Abstract（参考訳）: SOC(Self-Organized Criticality)は、森林火災、ウイルス拡散、原子励起ダイナミクスなど、一見無関係と思われる多くのシステムにおいて、普遍的なスケール不変の振る舞いの出現に寄与していると考えられている、ユビキタスな力学現象である。 SOCは局所的な相互作用と散逸のみの結果、大規模および長距離の時空間相関の蓄積を記述している。 SOC力学のシミュレーションは典型的にはモンテカルロ法(MC)に基づいているが、数値的には高価であり、特定のシステムサイズを超えない。グラフニューラルネットワーク(gnns)を効果的なサロゲートモデルとして使用して,実験可能な物理例である駆動型rydberg原子に触発された,パラダイム的socシステムのダイナミクス演算子を学ぶ。そこで我々は既存のGNNシミュレーション手法を一般化し,ノードの内部状態のダイナミクスを予測する。粒子数と粒子密度の2つの重要な軸に沿って一般化するだけでなく,mcダイナミクスを正確に再現できることを示す。これにより、従来のMCメソッドの限界を超えて、はるかに大きなシステムをモデル化できる。正確な系はライドバーグ原子の力学に着想を得ているが、アプローチは非常に一般的であり、他の系にも容易に適用できる。

関連論文リスト

Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文参考訳（メタデータ） (2024-09-05T18:14:22Z)
Learning System Dynamics without Forgetting [60.08612207170659]
未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
論文参考訳（メタデータ） (2024-06-30T14:55:18Z)
TANGO: Time-Reversal Latent GraphODE for Multi-Agent Dynamical Systems [43.39754726042369]
連続グラフニューラルネットワークに基づく常微分方程式(GraphODE)により予測される前後の軌跡を整列するソフト制約として,単純かつ効果的な自己監督型正規化項を提案する。時間反転対称性を効果的に課し、古典力学の下でより広い範囲の力学系にわたってより正確なモデル予測を可能にする。様々な物理システムに対する実験結果から,提案手法の有効性が示された。
論文参考訳（メタデータ） (2023-10-10T08:52:16Z)
SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。我々のモデルは最先端のベースラインよりも大幅に改善されている。
論文参考訳（メタデータ） (2023-08-25T07:15:58Z)
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)
Dynamics with autoregressive neural quantum states: application to critical quench dynamics [41.94295877935867]
本稿では、量子系の長時間のダイナミクスを安定的に捉えるための代替の汎用スキームを提案する。二次元量子イジングモデルにおけるキブル・ズレーク機構の解明により,時間依存性のクエンチ力学にこのスキームを適用した。
論文参考訳（メタデータ） (2022-09-07T15:50:00Z)
Spreading of a local excitation in a Quantum Hierarchical Model [62.997667081978825]
常磁性相における量子ダイソン階層モデルのダイナミクスについて検討する。地磁気場状態の局所励起による初期状態を考慮する。局所化機構が発見され、励起は任意の時間で初期位置に近づいたままである。
論文参考訳（メタデータ） (2022-07-14T10:05:20Z)
KalmanNet: Neural Network Aided Kalman Filtering for Partially Known Dynamics [84.18625250574853]
KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
論文参考訳（メタデータ） (2021-07-21T12:26:46Z)
Learning Continuous System Dynamics from Irregularly-Sampled Partial Observations [33.63818978256567]
グラフ構造を持つ多エージェント動的システムをモデル化するための潜在常微分方程式生成モデルLG-ODEを提案する。高次元軌跡の埋め込みと連続潜伏系力学を同時に学習することができる。我々のモデルは、教師なしの方法で初期状態を推論できるグラフニューラルネットワークによってパラメータ化された新しいエンコーダを採用している。
論文参考訳（メタデータ） (2020-11-08T01:02:22Z)
MagNet: Discovering Multi-agent Interaction Dynamics using Neural Network [11.285833408524708]
MagNetはニューラルネットワークベースのマルチエージェントインタラクションモデルである。マルチエージェントシステムのコアダイナミクスを観測から発見するように訓練されている。エージェント固有のパラメータを学習し、正確な予測を保証するために、オンラインで調整される。
論文参考訳（メタデータ） (2020-01-24T13:41:01Z)
Symplectic ODE-Net: Learning Hamiltonian Dynamics with Control [14.24939133094439]
物理系の力学を推論できるディープラーニングフレームワークであるSymlectic ODE-Net(SymODEN)を紹介する。特に、ハミルトン力学を制御して、基礎となる力学を透過的に学習する。このフレームワークは、物理的システムに対して解釈可能で物理的に一貫性のあるモデルを提供することで、モデルベースの制御戦略を合成する新たな可能性を開く。
論文参考訳（メタデータ） (2019-09-26T13:13:16Z)

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。

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。