論文の概要: Observing a topological phase transition with deep neural networks from experimental images of ultracold atoms

• arxiv url: http://arxiv.org/abs/2209.10060v2
• Date: Fri, 23 Sep 2022 11:48:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-25 20:58:45.402844
• Title: Observing a topological phase transition with deep neural networks from experimental images of ultracold atoms
• Title（参考訳）: 超低温原子の実験的画像からディープニューラルネットワークによる位相相転移の観測
• Authors: Entong Zhao, Ting Hin Mak, Chengdong He, Zejian Ren, Ka Kwan Pak, Yu-Jun Liu, and Gyu-Boong Jo
• Abstract要約: 低信号-雑音比(SNR)実験データを用いた深部畳み込みニューラルネットワークを用いて位相相転移の同定に成功したことを報告した。 我々の研究は、様々な量子システムで使用される機械学習技術の可能性を浮き彫りにしている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although classifying topological quantum phases have attracted great interests, the absence of local order parameter generically makes it challenging to detect a topological phase transition from experimental data. Recent advances in machine learning algorithms enable physicists to analyze experimental data with unprecedented high sensitivities, and identify quantum phases even in the presence of unavoidable noises. Here, we report a successful identification of topological phase transitions using a deep convolutional neural network trained with low signal-to-noise-ratio (SNR) experimental data obtained in a symmetry-protected topological system of spin-orbit-coupled fermions. We apply the trained network to unseen data to map out a whole phase diagram, which predicts the positions of the two topological phase transitions that are consistent with the results obtained by using the conventional method on higher SNR data. By visualizing the filters and post-convolutional results of the convolutional layer, we further find that the CNN uses the same information to make the classification in the system as the conventional analysis, namely spin imbalance, but with an advantage concerning SNR. Our work highlights the potential of machine learning techniques to be used in various quantum systems.
• Abstract（参考訳）: 位相的量子位相の分類は大きな関心を集めているが、局所次パラメータの欠如は実験データから位相的位相遷移を検出するのに困難である。 機械学習アルゴリズムの最近の進歩により、物理学者は前例のない高い感度で実験データを分析し、避けられないノイズがある場合でも量子位相を特定できる。 本稿では,低信号-雑音比(SNR)実験データを用いた深部畳み込みニューラルネットワークを用いて,スピン軌道結合フェルミオンの対称性保護トポロジカルシステムを用いてトポロジカル相転移の同定に成功したことを報告する。 本研究では,SNRデータに対する従来の手法を用いて得られた結果と一致した2つの位相位相遷移の位置を予測するため,学習したネットワークを用いて全位相図をマップアウトする。 さらに,畳み込み層のフィルタおよび畳み込み後の結果を可視化することにより,cnnが従来の解析法であるスピン不均衡法と同じ情報を用いて,snrに関して有利な分類を行うことを見出した。 我々の研究は、様々な量子システムで使用される機械学習技術の可能性を強調している。

関連論文リスト

• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Identifying phase transitions in physical systems with neural networks: a neural architecture search perspective [1.3927943269211593]
  本稿では,位相情報に対するニューラルネットワークの精度とネットワーク構成との関係を初めて検討する。 我々は、ニューロンカバレッジメトリクスを用いて、スマートなデータ処理と分析を実装し、フェーズ遷移を推定するこれらのメトリクスの能力を評価する。
  論文  参考訳（メタデータ） (2024-04-23T15:16:49Z)
• Fluctuation based interpretable analysis scheme for quantum many-body snapshots [0.0]
  物質の微視的理解と分類は、強相関量子物理学の中心にある。 ここでは、混乱学習と相関畳み込みニューラルネットワークを組み合わせることで、完全に解釈可能な位相検出を行う。 我々の研究は、解釈可能な量子画像処理における新しい方向を、長距離の順序に相応しいものに開放する。
  論文  参考訳（メタデータ） (2023-04-12T17:59:59Z)
• Replacing neural networks by optimal analytical predictors for the detection of phase transitions [0.10152838128195464]
  位相遷移を検出するために広く使われている3つのNN法を最適に出力する解析式を導出する。 提案手法の内部動作は,入力データに対する最適出力の明示的依存によって明らかにされる。 我々の理論的結果は、トポロジカル、量子、多体局在相転移などの広範な数値シミュレーションによって支えられている。
  論文  参考訳（メタデータ） (2022-02-14T19:00:03Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Neural networks for on-the-fly single-shot state classification [0.0]
  単発量子計測における状態分類へのニューラルネットワークの適用について検討する。 本手法は,ハードドライブへの大規模なデータ転送を必要とせず,オーバヘッドなしでオンザフライデータ処理が可能となる。
  論文  参考訳（メタデータ） (2021-07-13T05:29:59Z)
• Identifying nonclassicality from experimental data using artificial neural networks [52.77024349608834]
  ニューラルネットワークをトレーニングして、古典的および非古典的状態とを、その二次的測定分布から分類する。 光の状態の異なる実実験的な二次データから古典的特徴や非古典的特徴を正確に識別できることを示す。
  論文  参考訳（メタデータ） (2021-01-18T15:12:47Z)
• Unsupervised machine learning of topological phase transitions from experimental data [52.77024349608834]
  超低温原子からの実験データに教師なし機械学習技術を適用する。 我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。 我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
  論文  参考訳（メタデータ） (2021-01-14T16:38:21Z)
• Topological obstructions in neural networks learning [67.8848058842671]
  損失勾配関数フローのグローバル特性について検討する。 損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
  論文  参考訳（メタデータ） (2020-12-31T18:53:25Z)
• Phase Detection with Neural Networks: Interpreting the Black Box [58.720142291102135]
  ニューラルネットワーク(NN)は通常、予測の背後にある推論に対する洞察を妨げます。 本研究では,1次元拡張スピンレスFermi-Hubbardモデルの位相を半充足で予測するために,NNのブラックボックスをいかに影響関数が解き放つかを示す。
  論文  参考訳（メタデータ） (2020-04-09T17:45:45Z)
• Topological quantum phase transitions retrieved through unsupervised machine learning [2.778293655629716]
  教師なし多様体学習は、運動量および実空間における位相量子相転移をうまく取り出すことができることを示す。 本研究では, 原型的Su-Schefferri-Heeger(SSH)モデル, Qi-Wu-Zhang(QWZ)モデル, 運動量空間における焼成SSHモデルについて示す。
  論文  参考訳（メタデータ） (2020-02-06T17:11:11Z)

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。