論文の概要: Learning Feynman Diagrams using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2211.15348v1
• Date: Fri, 25 Nov 2022 05:53:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 17:00:21.300763
• Title: Learning Feynman Diagrams using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いたファインマン図の学習
• Authors: Harrison Mitchell, Alexander Norcliffe, Pietro Li\`o
• Abstract要約: 本研究は、行列要素の予測を90%以上の有意な数値精度で行うグラフアテンション層を用いている。 ピーク性能は200エポック未満のトレーニングで10%以上の時間で3つの有意な数値精度を予測した。
• 参考スコア（独自算出の注目度）: 70.540936204654
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the wake of the growing popularity of machine learning in particle physics, this work finds a new application of geometric deep learning on Feynman diagrams to make accurate and fast matrix element predictions with the potential to be used in analysis of quantum field theory. This research uses the graph attention layer which makes matrix element predictions to 1 significant figure accuracy above 90% of the time. Peak performance was achieved in making predictions to 3 significant figure accuracy over 10% of the time with less than 200 epochs of training, serving as a proof of concept on which future works can build upon for better performance. Finally, a procedure is suggested, to use the network to make advancements in quantum field theory by constructing Feynman diagrams with effective particles that represent non-perturbative calculations.
• Abstract（参考訳）: 素粒子物理学における機械学習の人気が高まる中、この研究はファインマン図形上の幾何学的深層学習の新しい応用を見出し、量子場理論の解析に使用できる可能性を持つ精度と高速な行列要素予測を可能にした。 本研究は、行列要素の予測を90%以上の有意な数値精度で行うグラフアテンション層を用いている。 ピーク性能は、200エポック未満のトレーニングで10%以上の時間で3つの重要なフィギュアの精度を予測し、パフォーマンス向上のために将来の作品が構築できる概念の証明として機能した。 最後に,非摂動的計算を表現する効果的な粒子でファインマン図形を構築することで,量子場理論の進歩をネットワークで実現する手法を提案する。

関連論文リスト

• Enhancing material property prediction with ensemble deep graph convolutional networks [9.470117608423957]
  近年の取り組みは、プロパティ予測にディープラーニングベースのグラフニューラルネットワークを含む高度なMLアルゴリズムの採用に重点を置いている。 本研究は,物質特性予測タスクを対象とする深層学習に基づくグラフニューラルネットワークにおけるアンサンブル戦略の詳細な評価を行う。 CGCNN(Crystal Graph Convolutional Neural Network)とそのマルチタスクバージョンであるMT-CGCNNを試験することにより、アンサンブル技術、特に予測平均化が従来のメトリクスを超える精度を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2024-07-26T16:12:06Z)
• Hybrid Quantum Graph Neural Network for Molecular Property Prediction [0.17747993681679466]
  我々は,ペロブスカイト材料の形成エネルギーを予測するために,自由ハイブリッド量子勾配古典畳み込みグラフニューラルネットワークを開発した。 我々の研究は、量子特徴符号化とパラメトリック量子回路が複雑な機械学習アルゴリズムを劇的に改善する方法を探求する新たな道筋を示唆している。
  論文  参考訳（メタデータ） (2024-05-08T16:43:25Z)
• Feynman Diagrams as Computational Graphs [6.128507107025731]
  量子場理論(QFT)における高階ファインマン図の計算グラフ表現を提案する。 提案手法は,これらの図をテンソル演算のフラクタル構造に効果的に整理し,計算冗長性を著しく低減する。 我々の研究は、QFTと機械学習の相乗効果を実証し、複雑な量子多体問題にAI技術を適用するための新たな道を確立する。
  論文  参考訳（メタデータ） (2024-02-28T03:45:55Z)
• Future Directions in the Theory of Graph Machine Learning [49.049992612331685]
  グラフ上の機械学習、特にグラフニューラルネットワーク(GNN)を使用すると、グラフデータが広く利用できるため、関心が高まっている。 実際の成功にもかかわらず、GNNの特性に関する理論的理解は非常に不完全である。
  論文  参考訳（メタデータ） (2024-02-03T22:55:31Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
  本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。 与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。 我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
  論文  参考訳（メタデータ） (2021-08-04T16:32:59Z)
• Not Half Bad: Exploring Half-Precision in Graph Convolutional Neural Networks [8.460826851547294]
  現代の機械学習を用いた効率的なグラフ解析は、ますます注目を集めている。 ディープラーニングアプローチは、隣接行列全体にわたって運用されることが多い。 実行時間とメモリ要求の両方を削減するための効率的な対策を特定することが望ましい。
  論文  参考訳（メタデータ） (2020-10-23T19:47:42Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
  本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。 アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
  論文  参考訳（メタデータ） (2020-05-08T16:15:47Z)

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。