論文の概要: Simulating virus diffusion in networks with quantum computers
- arxiv url: http://arxiv.org/abs/2208.11394v1
- Date: Wed, 24 Aug 2022 09:33:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-30 00:06:01.627554
- Title: Simulating virus diffusion in networks with quantum computers
- Title（参考訳）: 量子コンピュータを用いたネットワークにおけるウイルス拡散のシミュレーション
- Authors: Xiaoyang Wang and Yinchenguang Lyu and Changyu Yao and Xiao Yuan
- Abstract要約: ウイルスの分布をスピン格子構造にマッピングする体系的な方法を示す。
次に、量子熱系の実効ハミルトニアンの力学にマッピングする。
進化は古典マルコフ過程によってよく説明できることを示す。
- 参考スコア（独自算出の注目度）: 2.6656444835709907
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose to use quantum mechanical tools to simulate epidemic processes in
a network. We first show a systematic way to map virus population distributions
to spin-lattice configurations. Then, noticing that diffusion is a classical
thermal dynamic process, we can map it to the dynamics of an effective
(parametrized) Hamiltonian of a quantum thermal system. To demonstrate the
rationality of the Hamiltonian, we provide numerical and analytic analyses of
the evolution behaviour of the Hamiltonian. We prove that the evolution could
be well described by a classical stochastic Markov process, which is consistent
with the well-known epidemiological susceptible and infectious model. A
practical method to determine the parameters of the thermal dynamic Hamiltonian
from epidemiological inputs is exhibited. As an example, we simulate the
transmission process of SARS-Cov-2 variant Omicron with a given community
network.
- Abstract（参考訳）: 本稿では,ネットワーク内の流行過程をシミュレートするための量子力学的ツールを提案する。
まず,ウイルスの集団分布をスピン格子配置にマッピングする方法を示す。
次に、拡散が古典的な熱力学過程であることに気付き、量子熱系の有効な(パラメータ化された)ハミルトニアンのダイナミクスに写像することができる。
ハミルトンの合理性を示すために,ハミルトニアンの進化挙動の数値的および解析的解析を行う。
この進化は、既知の疫学的感受性および感染モデルと一致する古典的確率的マルコフ過程によってよく説明できることを示す。
疫学的な入力から熱力学的ハミルトニアンのパラメータを決定するための実用的な方法を示す。
例えば,SARS-Cov-2 の変種 Omicron のコミュニティネットワークへの送信過程をシミュレートする。
関連論文リスト
- Predicting Cascading Failures with a Hyperparametric Diffusion Model [66.89499978864741]
拡散モデルのレンズによる電力グリッドのカスケード故障について検討する。
我々のモデルは、バイラル拡散原理と物理に基づく概念を統合する。
この拡散モデルはカスケード故障の痕跡から学習可能であることを示す。
論文 参考訳（メタデータ） (2024-06-12T02:34:24Z) - 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) - Approaching epidemiological dynamics of COVID-19 with physics-informed
neural networks [23.95944607153291]
SIRモデルに埋め込まれた物理インフォームドニューラルネットワーク(PINN)は、感染症の時間的進化のダイナミクスを理解するために考案された。
この手法はドイツで報告された新型コロナウイルス(COVID-19)のデータに適用され、ウイルスの拡散傾向を正確に把握し予測できることが示されている。
論文 参考訳（メタデータ） (2023-02-17T10:36:58Z) - Asymptotic-Preserving Neural Networks for multiscale hyperbolic models
of epidemic spread [0.0]
多くの状況において、感染症の空間的伝播は、多スケールのPDEによって管理される異なるスケールの個体の動きによって特徴づけられる。
複数のスケールが存在する場合、PINNの直接適用は一般的に、ニューラルネットワークの損失関数における微分モデルのマルチスケールの性質のため、結果の低下につながる。
本稿では,パンデミック拡散のマルチスケール多代謝輸送モデルのための新しいAPニューラルネットワーク(APNN)について考察する。
論文 参考訳（メタデータ） (2022-06-25T11:25:47Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Unifying Epidemic Models with Mixtures [28.771032745045428]
新型コロナウイルスのパンデミックは、感染モデルに対する強固な理解の必要性を強調している。
本稿では2つのアプローチをブリッジする単純な混合モデルを提案する。
モデルは非機械的であるが、ネットワーク化されたSIRフレームワークに基づくプロセスの自然な結果として現れることを示す。
論文 参考訳（メタデータ） (2022-01-07T19:42:05Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳（メタデータ） (2021-12-08T13:07:21Z) - Epidemic spreading and herd immunity in a driven non-equilibrium system
of strongly-interacting atoms [1.1433552757485808]
我々は、ライドバーグ原子の光駆動非平衡相転移を用いた拡散の物理類似体を実験的に示す。
サンプルの異なる部分における空間的局所化相転移とその相互作用を観察する。
以上の結果から、Rydberg系は複雑な時空間力学をモデル化するのに十分な万能性を持つことが示された。
論文 参考訳（メタデータ） (2021-06-23T10:18:31Z) - Quantum Markov Chain Monte Carlo with Digital Dissipative Dynamics on
Quantum Computers [52.77024349608834]
少数のアンシラ量子ビットを用いて環境との相互作用をシミュレートするデジタル量子アルゴリズムを開発した。
逆イジングモデルの熱状態のシミュレーションによるアルゴリズムの評価を行った。
論文 参考訳（メタデータ） (2021-03-04T18:21:00Z) - OutbreakFlow: Model-based Bayesian inference of disease outbreak
dynamics with invertible neural networks and its application to the COVID-19
pandemics in Germany [0.19791587637442667]
専門的なニューラルネットワークを用いた疫学モデリングの新たな組み合わせを提案する。
我々は, 発生時間, 未検出感染数, 症状発症前の感染可能性, および, 非常に適度な量の実世界の観測による遅延の報告など, 重要な疾患特性に関する信頼性の高い確率推定値を得ることができる。
論文 参考訳（メタデータ） (2020-10-01T11:01:49Z) - State preparation and measurement in a quantum simulation of the O(3)
sigma model [65.01359242860215]
我々は,非線型O(3)シグマモデルの固定点が,格子サイトあたり2キュービットしか持たないスピンモデルの量子相転移付近で再現可能であることを示す。
本稿では,弱い結合状態と量子臨界状態の両方において,断熱的基底状態の準備が複雑になる結果を得るためにトロッター法を適用した。
非単位ランダム化シミュレーション法に基づく量子アルゴリズムの提案と解析を行う。
論文 参考訳（メタデータ） (2020-06-28T23:44:12Z)
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。