論文の概要: Deep Machine Learning Reconstructing Lattice Topology with Strong Thermal Fluctuations

• arxiv url: http://arxiv.org/abs/2208.04119v1
• Date: Mon, 8 Aug 2022 13:28:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-09 12:50:02.022021
• Title: Deep Machine Learning Reconstructing Lattice Topology with Strong Thermal Fluctuations
• Title（参考訳）: 熱揺らぎの強い格子トポロジーを再構築する深層機械学習
• Authors: Xiao-Han Wang, Pei Shi, Bin Xi, Jie Hu, and Shi-Ju Ran
• Abstract要約: 深部畳み込みニューラルネットワーク(CNN)は、強い熱ゆらぎと不均衡なデータの存在下で格子トポロジーを再構築した。 提案手法は,ノードのダイナミクスに関する知識を必要とする従来の手法と区別する。 我々は、未学習の初期スピン構成から進化したインスタンスを扱うためのCNNの一般化を公表する。
• 参考スコア（独自算出の注目度）: 10.55785051508181
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Applying artificial intelligence to scientific problems (namely AI for science) is currently under hot debate. However, the scientific problems differ much from the conventional ones with images, texts, and etc., where new challenges emerges with the unbalanced scientific data and complicated effects from the physical setups. In this work, we demonstrate the validity of the deep convolutional neural network (CNN) on reconstructing the lattice topology (i.e., spin connectivities) in the presence of strong thermal fluctuations and unbalanced data. Taking the kinetic Ising model with Glauber dynamics as an example, the CNN maps the time-dependent local magnetic momenta (a single-node feature) evolved from a specific initial configuration (dubbed as an evolution instance) to the probabilities of the presences of the possible couplings. Our scheme distinguishes from the previous ones that might require the knowledge on the node dynamics, the responses from perturbations, or the evaluations of statistic quantities such as correlations or transfer entropy from many evolution instances. The fine tuning avoids the "barren plateau" caused by the strong thermal fluctuations at high temperatures. Accurate reconstructions can be made where the thermal fluctuations dominate over the correlations and consequently the statistic methods in general fail. Meanwhile, we unveil the generalization of CNN on dealing with the instances evolved from the unlearnt initial spin configurations and those with the unlearnt lattices. We raise an open question on the learning with unbalanced data in the nearly "double-exponentially" large sample space.
• Abstract（参考訳）: 人工知能を科学的問題(すなわち科学のためのAI)に適用することは、現在ホットな議論が続いている。 しかし、従来の画像やテキストなどの科学的な問題とは大きく異なり、不均衡な科学データや物理的な設定による複雑な影響によって新たな課題が生じる。 本研究では,強い熱ゆらぎと不均衡なデータの存在下での格子トポロジ(スピン接続性)の再構成における深部畳み込みニューラルネットワーク(CNN)の有効性を示す。 例としてグラウバー力学を用いた速度論的イジングモデルを用いて、CNNは時間依存の局所磁気モータ(単一ノードの特徴)を、特定の初期構成(進化のインスタンスとして結合された)から可能な結合の存在の確率にマッピングする。 提案手法は, ノード力学, 摂動からの応答, あるいは多くの進化インスタンスからの相関や移動エントロピーなどの統計量の評価などの知識を必要とする従来の手法と区別する。 微調整は、高温での強い熱揺らぎによって引き起こされる「不毛高原」を避ける。 熱ゆらぎが相関に支配的であり、その結果、一般には統計的手法が失敗する正確な復元を行うことができる。 一方、未学習の初期スピン構成と未学習格子から進化したインスタンスを扱うCNNの一般化を明らかにする。 ほぼ「二重に」大規模なサンプル空間における不均衡なデータによる学習について、オープンな疑問を提起する。

関連論文リスト

• Observation of anomalous information scrambling in a Rydberg atom array [5.591432092887684]
  量子情報スクランブル(quantum information scrambling)は、局所情報の伝播と効果的な損失を記述する。 本稿では,原子型ツイーザアレイに衝突する異常情報の実験的観察を報告する。
  論文  参考訳（メタデータ） (2024-10-21T16:40:25Z)
• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Advection Augmented Convolutional Neural Networks [6.805997961535213]
  このような問題の解決に物理的にインスパイアされたアーキテクチャを導入する。 提案手法により,非局所的な情報変換が可能となることを示す。 次に、反応・拡散ニューラルネットワークを補完し、反応-拡散-拡散ネットワークを模倣するネットワークを形成する。
  論文  参考訳（メタデータ） (2024-06-27T15:22:21Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Liouvillian Dynamics of the Open Schwinger Model: String Breaking and Kinetic Dissipation in a Thermal Medium [0.0]
  シュウィンガーモデル内の弦破れ力学を考察し, 熱媒体内部の変形について検討する。 我々はリンドブラッド方程式のリウヴィリアンギャップと系のフォン・ノイマンエントロピーの時間依存性を分析する。 オープンシュウィンガーモデルのリウヴィリア動力学が量子コンピュータ上でどのようにシミュレートできるかを論じる。
  論文  参考訳（メタデータ） (2023-08-07T19:15:55Z)
• Machine learning in and out of equilibrium [58.88325379746631]
  我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。 我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。 本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T09:12:49Z)
• Emergent pair localization in a many-body quantum spin system [0.0]
  本質的には、非可積分量子系は固有状態熱化仮説に従って熱化することが期待されている。 強い障害がある場合、力学は実験可能な時間スケールでシステムが熱分解に失敗する程度まで減速する可能性がある。 ライドバーグ量子シミュレータにより実現されたランダムカップリング強度の可変分布を持つハイゼンベルクスピンのアンサンブルについて検討する。
  論文  参考訳（メタデータ） (2022-07-28T16:31:18Z)
• Multi-scale Feature Learning Dynamics: Insights for Double Descent [71.91871020059857]
  一般化誤差の「二重降下」現象について検討する。 二重降下は、異なるスケールで学習される異なる特徴に起因する可能性がある。
  論文  参考訳（メタデータ） (2021-12-06T18:17:08Z)
• Learning neural network potentials from experimental data via Differentiable Trajectory Reweighting [0.0]
  ニューラルネットワーク(NN)電位を直接実験データから学習するトップダウンアプローチは、あまり注目されていない。 本稿では,時間非依存オブザーバのMDシミュレーションにより,微分を回避できるDiffTRe法を提案する。 本研究では,ダイヤモンドの原子モデルと粒度の粗い水モデルに対するNN電位の学習におけるDiffTReの有効性を示す。
  論文  参考訳（メタデータ） (2021-06-02T13:10:43Z)
• Probing eigenstate thermalization in quantum simulators via fluctuation-dissipation relations [77.34726150561087]
  固有状態熱化仮説(ETH)は、閉量子多体系の平衡へのアプローチの普遍的なメカニズムを提供する。 本稿では, ゆらぎ・散逸関係の出現を観測し, 量子シミュレータのフルETHを探索する理論に依存しない経路を提案する。 我々の研究は、量子シミュレータにおける熱化を特徴づける理論に依存しない方法を示し、凝縮物質ポンプ-プローブ実験をシミュレーションする方法を舗装する。
  論文  参考訳（メタデータ） (2020-07-20T18:00:02Z)
• Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
  本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。 アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
  論文  参考訳（メタデータ） (2020-05-08T16:15:47Z)

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。