Fugu-MT 論文翻訳(概要): Characterizing 4-string contact interaction using machine learning

論文の概要: Characterizing 4-string contact interaction using machine learning

arxiv url: http://arxiv.org/abs/2211.09129v1
Date: Wed, 16 Nov 2022 19:00:00 GMT
ステータス: 処理完了
システム内更新日: 2022-11-18 17:32:38.584092
Title: Characterizing 4-string contact interaction using machine learning
Title（参考訳）: 機械学習による4弦接触インタラクションのキャラクタリゼーション
Authors: Harold Erbin, Atakan Hilmi F{\i}rat
Abstract要約: 閉弦場理論の4弦接触相互作用の幾何学は機械学習を用いて特徴づけられる。我々は、教師なし学習を行うことにより、ニューラルネットワークとして4個の球面上のストレベル二次微分を得る。チェックとして、タキオン電位中の4タキオン接触項を計算し、文献における結果との良好な一致を観察する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The geometry of 4-string contact interaction of closed string field theory is characterized using machine learning. We obtain Strebel quadratic differentials on 4-punctured spheres as a neural network by performing unsupervised learning with a custom-built loss function. This allows us to solve for local coordinates and compute their associated mapping radii numerically. We also train a neural network distinguishing vertex from Feynman region. As a check, 4-tachyon contact term in the tachyon potential is computed and a good agreement with the results in the literature is observed. We argue that our algorithm is manifestly independent of number of punctures and scaling it to characterize the geometry of $n$-string contact interaction is feasible.
Abstract（参考訳）: 閉弦場理論の4弦接触相互作用の幾何学は機械学習を用いて特徴づけられる。本研究では,カスタム構築損失関数を用いて教師なし学習を行うことにより,ニューラルネットワークとして4次元球面上のストレーベル二次微分を求める。これにより局所座標を解き、それらの関連する写像 radii を数値的に計算することができる。また、ファインマン領域と頂点を区別するニューラルネットワークを訓練する。チェックとして、タキオン電位中の4タキオン接触項を計算し、文献における結果との良好な一致を観察する。我々は,本アルゴリズムがパンクチャ数とは明らかに独立であり,$n$ストリングの接触相互作用の幾何学的特徴付けが可能であることを論じる。

関連論文リスト

Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。最初はFlyTracingという名前のデータセットを構築しました。本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文参考訳（メタデータ） (2024-01-05T19:45:12Z)
Memorization with neural nets: going beyond the worst case [5.662924503089369]
実際には、ディープニューラルネットワークはトレーニングデータを簡単に補間できることが多い。しかし、実世界のデータについては、暗記能力によって提案されるよりもネットワークサイズが小さいような良質な構造の存在を直感的に期待する。 2つのクラスを持つ固定有限データセットを与えられた場合、高い確率で3層ニューラルネットワークを時間内に補間する単純なランダム化アルゴリズムを導入する。
論文参考訳（メタデータ） (2023-09-30T10:06:05Z)
Neural networks learn to magnify areas near decision boundaries [32.84188052937496]
本研究では,非拘束型ニューラルネットワーク特徴写像による幾何形状の学習方法について検討する。まず、無限の幅でランダムパラメータを持つニューラルネットワークが入力空間上で高度に対称なメトリクスを誘導することを示す。分類タスクを実行するために訓練されたネットワークは、決定境界に沿った地域を拡大するために学習する。
論文参考訳（メタデータ） (2023-01-26T19:43:16Z)
Benchmarking Compositionality with Formal Languages [64.09083307778951]
我々は,NLPにおける大規模ニューラルモデルが,データから学習しながら,原始概念をより大規模な新しい組み合わせに組み込むことができるかどうかを検討する。多くのトランスデューサをランダムにサンプリングすることにより、ニューラルネットワークによる合成関係の学習性に寄与する特性を探索する。モデルは完全に関係を学習するか全く学習しないかが分かる。鍵となるのはトランジッションカバレッジであり、トランジッション毎に400の例でソフトな学習可能性制限を設定する。
論文参考訳（メタデータ） (2022-08-17T10:03:18Z)
Relational representation learning with spike trains [0.0]
本稿では,スパイクパターンの時間領域を完全に活用することで,知識グラフのスパイクトレインによる埋め込みを学習できるモデルを提案する。以上の結果から,リレーショナル知識をスパイクベースシステムに統合することで,イベントベースコンピューティングとデータをマージして,パワフルでエネルギー効率の高い人工知能アプリケーションや推論システムを構築する可能性を明らかにする。
論文参考訳（メタデータ） (2022-05-18T18:00:37Z)
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)
Can the brain use waves to solve planning problems? [62.997667081978825]
このような課題を解くニューラルネットワークモデルを提案する。このモデルは、哺乳類の新皮質と海馬に関する幅広い実験的な発見と互換性がある。
論文参考訳（メタデータ） (2021-10-11T11:07:05Z)
Optimal Approximation with Sparse Neural Networks and Applications [0.0]
深い疎結合ニューラルネットワークを用いて、関数クラスの複雑性を$L(mathbb Rd)$で測定する。また、ニューラルネットワークを誘導する関数の可算コレクションである表現システムについても紹介する。次に、レート歪曲理論とウェッジレット構成を用いて、$beta$マンガ的関数と呼ばれるクラスの複雑性を分析する。
論文参考訳（メタデータ） (2021-08-14T05:14:13Z)
The Separation Capacity of Random Neural Networks [78.25060223808936]
標準ガウス重みと一様分布バイアスを持つ十分に大きな2層ReLUネットワークは、この問題を高い確率で解くことができることを示す。我々は、相互複雑性という新しい概念の観点から、データの関連構造を定量化する。
論文参考訳（メタデータ） (2021-07-31T10:25:26Z)
The Connection Between Approximation, Depth Separation and Learnability in Neural Networks [70.55686685872008]
学習可能性と近似能力の関係について検討する。対象関数の深いネットワークでの学習性は、より単純なクラスがターゲットを近似する能力に依存することを示す。
論文参考訳（メタデータ） (2021-01-31T11:32:30Z)
A Framework for Learning Invariant Physical Relations in Multimodal Sensory Processing [0.0]
我々は、教師なしの方法で、知覚的手がかり間の関係を学習できる新しいニューラルネットワークアーキテクチャを設計する。低次元知覚データにおける任意の非線形関係を学習する際のコアシステム機能について述べる。我々は、標準的なRGBカメラフレームから物理量間の関係を学習する現実世界の学習問題を通してこれを実証する。
論文参考訳（メタデータ） (2020-06-30T08:42:48Z)

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。