Fugu-MT 論文翻訳(概要): Learning dynamical systems: an example from open quantum system dynamics

論文の概要: Learning dynamical systems: an example from open quantum system dynamics

arxiv url: http://arxiv.org/abs/2211.06678v2
Date: Thu, 30 Mar 2023 13:44:26 GMT
ステータス: 処理完了
システム内更新日: 2023-03-31 17:40:57.816334
Title: Learning dynamical systems: an example from open quantum system dynamics
Title（参考訳）: 力学系の学習:オープン量子システムダイナミクスからの例
Authors: Pietro Novelli
Abstract要約: 我々は、デファスゲートと結合した小さなスピン鎖のダイナミクスについて研究する。クープマン演算子学習は, 密度行列の進化だけでなく, システムに付随するすべての物理観測可能量についても, 効率的に学習する手法であることを示す。
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: Machine learning algorithms designed to learn dynamical systems from data can be used to forecast, control and interpret the observed dynamics. In this work we exemplify the use of one of such algorithms, namely Koopman operator learning, in the context of open quantum system dynamics. We will study the dynamics of a small spin chain coupled with dephasing gates and show how Koopman operator learning is an approach to efficiently learn not only the evolution of the density matrix, but also of every physical observable associated to the system. Finally, leveraging the spectral decomposition of the learned Koopman operator, we show how symmetries obeyed by the underlying dynamics can be inferred directly from data.
Abstract（参考訳）: データから動的システムを学習するために設計された機械学習アルゴリズムは、観測されたダイナミクスを予測、制御、解釈するために使用できる。この研究では、オープン量子系力学の文脈において、そのようなアルゴリズムの1つ、すなわちクープマン演算子学習の使用を例示する。我々は,小さなスピンチェーンのダイナミクスとデファスゲートを組み合わせることにより,クープマン作用素学習が密度行列の進化だけでなく,系に関連する全ての物理観測性も効率的に学習する手法であることを示す。最後に、学習されたkoopman演算子のスペクトル分解を利用して、基礎となるダイナミクスによって従う対称性をデータから直接推測する方法を示す。

関連論文リスト

Learning System Dynamics without Forgetting [60.08612207170659]
未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
論文参考訳（メタデータ） (2024-06-30T14:55:18Z)
ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文参考訳（メタデータ） (2023-08-22T09:11:53Z)
Leveraging Neural Koopman Operators to Learn Continuous Representations of Dynamical Systems from Scarce Data [0.0]
我々は、本質的に連続的な方法でダイナミクスを表現する新しいディープ・クープマン・フレームワークを提案する。このフレームワークは、限られたトレーニングデータのパフォーマンスを向上させる。
論文参考訳（メタデータ） (2023-03-13T10:16:19Z)
ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-02-11T21:07:30Z)
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)
Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文参考訳（メタデータ） (2021-09-06T04:39:06Z)
Using machine-learning modelling to understand macroscopic dynamics in a system of coupled maps [0.0]
本稿では,グローバルに結合した地図システムから生じるマクロな動きについて考察する。我々は、機械学習アプローチと粗粒度プロセスの遷移確率の直接数値計算の両方を用いて、マクロ力学のための粗粒度マルコフプロセスを構築した。我々は,アトラクタの有効次元,メモリ効果の持続性,ダイナミクスのマルチスケール構造について重要な情報を推測することができる。
論文参考訳（メタデータ） (2020-11-08T15:38:12Z)
Extraction of Discrete Spectra Modes from Video Data Using a Deep Convolutional Koopman Network [0.0]
クープマン理論の最近の深層学習拡張は、非線形力学系のコンパクトで解釈可能な表現を可能にした。ディープ・クープマン・ネットワークはコープマン固有関数を学習し、座標変換を捉え、システムダイナミクスを大域的に線形化する。離散スペクトルを持つ力学系における独立モードの自動同定における深い畳み込みクープマンネットワーク(CKN)の機能を示す。
論文参考訳（メタデータ） (2020-10-19T06:26:29Z)
Dissipative SymODEN: Encoding Hamiltonian Dynamics with Dissipation and Control into Deep Learning [9.811643357656196]
本研究では,観測された状態軌跡から散逸した物理系の力学を推論できるディープラーニングアーキテクチャである Dissipative SymODEN を紹介する。 Dissipative SymODENは、エネルギー散逸と外部入力をグラフの設計にエンコードし、構造化された方法でダイナミクスを学習する。
論文参考訳（メタデータ） (2020-02-20T16:44:10Z)
Learning Stable Deep Dynamics Models [91.90131512825504]
状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
論文参考訳（メタデータ） (2020-01-17T00:04:45Z)

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。