Fugu-MT 論文翻訳(概要): Physics-Informed Neural Networks as Solvers for the Time-Dependent Schr\"odinger Equation

論文の概要: Physics-Informed Neural Networks as Solvers for the Time-Dependent Schr\"odinger Equation

arxiv url: http://arxiv.org/abs/2210.12522v1
Date: Sat, 22 Oct 2022 18:40:27 GMT
ステータス: 処理完了
システム内更新日: 2023-01-18 09:54:26.022420
Title: Physics-Informed Neural Networks as Solvers for the Time-Dependent Schr\"odinger Equation
Title（参考訳）: 時間依存schr\"odinger方程式の解法としての物理形ニューラルネットワーク
Authors: Karan Shah, Patrick Stiller, Nico Hoffmann, Attila Cangi
Abstract要約: 我々は,非相対論的,時間依存型Schr"odinger方程式の解法として,物理インフォームドニューラルネットワーク(PINN)の有用性を実証する。
参考スコア（独自算出の注目度）: 1.5293427903448025
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We demonstrate the utility of physics-informed neural networks (PINNs) as solvers for the non-relativistic, time-dependent Schr\"odinger equation. We study the performance and generalisability of PINN solvers on the time evolution of a quantum harmonic oscillator across varying system parameters, domains, and energy states.
Abstract（参考訳）: 我々は、非相対論的で時間依存的なシュリンガー方程式の解法として、物理学情報ニューラルネットワーク(PINN)の有用性を実証する。 PINNソルバの性能と一般性について,様々な系パラメータ,領域,エネルギー状態にまたがる量子調和振動子の時間発展について検討した。

関連論文リスト

Physics-informed neural networks viewpoint for solving the Dyson-Schwinger equations of quantum electrodynamics [0.0]
量子電磁力学の基本的なダイソン=シュウィンガー積分方程式を解くために、物理インフォームニューラルネットワークを用いる。提案手法では, フェミオン波動関数の正規化, 動的質量関数, 光子プロパゲータをニューラルネットワークで近似する。
論文参考訳（メタデータ） (2024-11-04T15:36:17Z)
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)
Addressing the Non-perturbative Regime of the Quantum Anharmonic Oscillator by Physics-Informed Neural Networks [0.9374652839580183]
量子領域において、そのようなアプローチは、非可積分系に対するシュレーディンガー方程式を解く新しいアプローチへの道を開く。実数および虚数周波数のシステムについて検討し、量子場理論に現れる問題に対処するための新しい数値法の基礎を築いた。
論文参考訳（メタデータ） (2024-05-22T08:34:52Z)
Solving coupled Non-linear Schrödinger Equations via Quantum Imaginary Time Evolution [0.0]
核ハートリー・フォック方程式の場合、そのような方程式の解として量子想像時間進化(ITE)アルゴリズムを提案する。単純化されたスカイム相互作用モデルの下で、酸素-16核の基底状態エネルギーを計算し、その結果が古典的ITTアルゴリズムと一致することを示す。
論文参考訳（メタデータ） (2024-02-02T18:41:04Z)
Unsupervised Random Quantum Networks for PDEs [0.0]
PINNは、微分演算子と関連する境界条件を満たすように訓練されたディープニューラルネットワークの助けを借りて、PDEの解を近似する。我々はこのアイデアを量子コンピューティング領域で再考し、パラメータ化されたランダム量子回路を試行的な解として用いた。ランダムな量子ネットワークは、従来の量子ネットワークやランダムな古典的ネットワークよりも優れていることを示す。
論文参考訳（メタデータ） (2023-12-21T10:25:52Z)
Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文参考訳（メタデータ） (2022-12-21T19:00:04Z)
Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。 PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。 PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文参考訳（メタデータ） (2022-10-14T15:01:32Z)
Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文参考訳（メタデータ） (2022-02-24T20:46:52Z)
Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文参考訳（メタデータ） (2021-01-21T22:18:49Z)
Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
論文参考訳（メタデータ） (2020-07-28T14:52:28Z)

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。