論文の概要: Statistical and machine learning approaches for prediction of long-time
excitation energy transfer dynamics
- arxiv url: http://arxiv.org/abs/2210.14160v2
- Date: Thu, 27 Oct 2022 10:33:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-21 15:56:21.285631
- Title: Statistical and machine learning approaches for prediction of long-time
excitation energy transfer dynamics
- Title(参考訳): 長期励起エネルギー移動ダイナミクス予測のための統計的および機械学習手法
- Authors: Kimara Naicker, Ilya Sinayskiy, Francesco Petruccione
- Abstract要約: ここでの目的は、SARIMA、CatBoost、Prophet、畳み込み、反復ニューラルネットワークのようなモデルがこの要件を回避できるかどうかを示すことである。
以上の結果から,SARIMAモデルが長期力学の予測を行うための計算コストが安価かつ正確な方法として機能することが示唆された。
- 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: One of the approaches used to solve for the dynamics of open quantum systems
is the hierarchical equations of motion (HEOM). Although it is numerically
exact, this method requires immense computational resources to solve. The
objective here is to demonstrate whether models such as SARIMA, CatBoost,
Prophet, convolutional and recurrent neural networks are able to bypass this
requirement. We are able to show this successfully by first solving the HEOM to
generate a data set of time series that depict the dissipative dynamics of
excitation energy transfer in photosynthetic systems then, we use this data to
test the models ability to predict the long-time dynamics when only the initial
short-time dynamics is given. Our results suggest that the SARIMA model can
serve as a computationally inexpensive yet accurate way to predict long-time
dynamics.
- Abstract(参考訳): 開量子系の力学の解法の一つに、階層的な運動方程式(HEOM)がある。
数値的精度は高いが、この方法は膨大な計算資源を必要とする。
ここでの目標は、sarima、catboost、prophet、convolutional、recurrentニューラルネットワークなどのモデルがこの要件をバイパスできるかどうかを実証することである。
我々は、まずHEOMを解くことで、光合成系における励起エネルギー伝達の散逸ダイナミクスを表現した時系列のデータセットを生成し、このデータを用いて、初期短時間のダイナミクスが与えられる場合にのみ、長期間のダイナミクスを予測することができるモデルをテストする。
以上の結果から,SARIMAモデルが長期力学の予測を行うための計算コストが安価かつ正確な方法として機能することが示唆された。
関連論文リスト
- A short trajectory is all you need: A transformer-based model for long-time dissipative quantum dynamics [0.0]
深層人工知能ニューラルネットワークは、散逸環境に結合した量子システムの長時間の人口動態を予測することができることを示す。
我々のモデルは、リカレントニューラルネットワークのような古典的な予測モデルよりも正確です。
論文 参考訳(メタデータ) (2024-09-17T16:17:52Z) - 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) - Predicting Energy Budgets in Droplet Dynamics: A Recurrent Neural Network Approach [0.0]
本研究では,表面張力効果下での流体の過渡的および静的な出力を予測するために,Long Short-Term Memoryを適用した。
LSTMは、数値シミュレーションによる無次元数と幾何学的時系列データのみを用いて、エネルギー予算を予測する。
幾何パラメータから得られた時系列データを入力したリカレントニューラルネットワーク(RNN)アーキテクチャを用いて,エネルギー予算予測におけるアプローチの精度を示す。
論文 参考訳(メタデータ) (2024-03-24T13:32:42Z) - Koopman Invertible Autoencoder: Leveraging Forward and Backward Dynamics
for Temporal Modeling [13.38194491846739]
我々は、Koopman Invertible Autoencoders (KIA) と呼ぶ、Koopman演算子理論に基づく新しい機械学習モデルを提案する。
KIAは、無限次元ヒルベルト空間における前方と後方のダイナミクスをモデル化することによって、システムの固有の特性を捉えている。
これにより,低次元表現を効率よく学習し,長期システムの挙動をより正確に予測することが可能になる。
論文 参考訳(メタデータ) (2023-09-19T03:42:55Z) - 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) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - A Note on Learning Rare Events in Molecular Dynamics using LSTM and
Transformer [4.80427355202687]
近年,低次元反応座標のシミュレーションデータを用いてLSTMによるスローダイナミクスの学習に成功した。
本稿では, 言語モデル学習の性能, すなわち反応座標の次元性, 時間分解能, 状態分割の3つの重要な要因について述べる。
論文 参考訳(メタデータ) (2021-07-14T09:26:36Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-02-21T05:00:01Z)
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。