論文の概要: Generating extreme quantum scattering in graphene with machine learning
- arxiv url: http://arxiv.org/abs/2212.06929v1
- Date: Tue, 13 Dec 2022 22:54:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 18:03:21.611587
- Title: Generating extreme quantum scattering in graphene with machine learning
- Title（参考訳）: 機械学習によるグラフェン中の極端量子散乱の生成
- Authors: Chen-Di Han and Ying-Cheng Lai
- Abstract要約: グラフェン量子ドットは、2次元(2次元)ディラック材料における電子の挙動を操作するためのプラットフォームを提供する。
逆設計の難解な問題を解く必要があるような、クローキングやスーパースキャッタリングのような応用もある。
逆設計問題に対処するための機械学習アプローチを具体化する。
我々の物理ベースの機械学習アプローチは、2D Dirac素材ベースのエレクトロニクスのための強力な設計ツールとなり得る。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graphene quantum dots provide a platform for manipulating electron behaviors
in two-dimensional (2D) Dirac materials. Most previous works were of the
"forward" type in that the objective was to solve various confinement,
transport and scattering problems with given structures that can be generated
by, e.g., applying an external electrical field. There are applications such as
cloaking or superscattering where the challenging problem of inverse design
needs to be solved: finding a quantum-dot structure according to certain
desired functional characteristics. A brute-force search of the system
configuration based directly on the solutions of the Dirac equation is
computational infeasible. We articulate a machine-learning approach to
addressing the inverse-design problem where artificial neural networks subject
to physical constraints are exploited to replace the rigorous Dirac equation
solver. In particular, we focus on the problem of designing a quantum dot
structure to generate both cloaking and superscattering in terms of the
scattering efficiency as a function of the energy. We construct a physical loss
function that enables accurate prediction of the scattering characteristics. We
demonstrate that, in the regime of Klein tunneling, the scattering efficiency
can be designed to vary over two orders of magnitudes, allowing any scattering
curve to be generated from a proper combination of the gate potentials. Our
physics-based machine-learning approach can be a powerful design tool for 2D
Dirac material-based electronics.
- Abstract（参考訳）: グラフェン量子ドットは、2次元(2次元)ディラック材料の電子挙動を操作するプラットフォームを提供する。
以前のほとんどの作品は、例えば外部の電界を印加するなどによって生じるような所定の構造で、様々な閉じ込め、輸送、散乱問題を解決することを目的としていた「フォワード」型であった。
クローキング(英語版)やスーパー散乱(英語版)のような応用があり、逆設計の難しい問題が解決される必要がある:特定の所望の機能的特性に従って量子ドット構造を見つける。
ディラック方程式の解に直接基づくシステム構成のブルートフォース探索は計算不可能である。
本稿では,物理的制約を受けるニューラルネットワークを厳密なディラック方程式解法に置き換える逆設計問題に対処するための機械学習手法を提案する。
特に,エネルギーの関数としての散乱効率の観点からクローキングとスーパー散乱の両方を生成する量子ドット構造を設計する問題に焦点をあてる。
散乱特性の正確な予測を可能にする物理損失関数を構築する。
クライントンネル法では、散乱効率は2桁以上の等級で変化するように設計でき、任意の散乱曲線をゲートポテンシャルの適切な組み合わせから生成できることを実証する。
我々の物理ベースの機械学習アプローチは、2D Dirac素材ベースのエレクトロニクスのための強力な設計ツールとなり得る。
関連論文リスト
- 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) - Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。
近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。
この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
論文 参考訳（メタデータ） (2024-05-23T16:30:51Z) - Machine learning-enhanced optical tweezers for defect-free rearrangement [0.0]
本稿では,この再配置プロセスの最適化に近似ポリシー最適化モデルを用いた機械学習手法を提案する。
本手法は, 最短経路問題を効率よく解き, 欠陥のないツイーザアレイの形成を保証することに焦点を当てる。
この進歩は、ツイーザーアレイに新たな機会をもたらし、コンピュータ研究の効率性と精度を高める可能性がある。
論文 参考訳（メタデータ） (2024-01-10T02:53:06Z) - A single $T$-gate makes distribution learning hard [56.045224655472865]
この研究は、局所量子回路の出力分布の学習可能性に関する広範な評価を提供する。
ハイブリッド量子古典アルゴリズムを含む多種多様な学習アルゴリズムにおいて、深度$d=omega(log(n))$ Clifford回路に関連する生成的モデリング問題さえも困難であることを示す。
論文 参考訳（メタデータ） (2022-07-07T08:04:15Z) - Machine-learning assisted quantum control in random environment [3.8580539160777625]
本稿では,ニューラルネットワークに基づく機械学習アルゴリズムの概念実証と解析について紹介する。
畳み込みニューラルネットワークは、障害を認識できるため、この問題を解決可能であることを示す。
提案アルゴリズムの精度は障害パターンの高次元マッピングにより向上することを示した。
論文 参考訳（メタデータ） (2022-02-21T15:12:39Z) - Bridging the reality gap in quantum devices with physics-aware machine
learning [0.0]
物質欠陥の予測不可能な分布によって引き起こされる障害は、現実のギャップに対する主要な貢献の1つである。
物理モデル,ディープラーニング,ガウス確率場,ベイズ推論を組み合わせたアプローチを用いて,このギャップを橋渡しする。
このアプローチにより、電子輸送データからナノスケール電子デバイスの障害電位を推定できる。
論文 参考訳（メタデータ） (2021-11-22T15:45:01Z) - SE(3)-equivariant prediction of molecular wavefunctions and electronic
densities [4.2572103161049055]
本稿では,幾何点クラウドデータのためのディープラーニングアーキテクチャを構築するための汎用SE(3)-同変演算とビルディングブロックを紹介する。
本モデルでは,従来の最先端モデルと比較して,予測誤差を最大2桁まで低減する。
低精度参照波動関数で訓練されたモデルが電子的多体相互作用の正当性を暗黙的に学習するトランスファーラーニングアプリケーションにおいて、我々のアプローチの可能性を実証する。
論文 参考訳（メタデータ） (2021-06-04T08:57:46Z) - Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。
一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。
幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
論文 参考訳（メタデータ） (2021-04-01T19:06:00Z) - Electronic structure with direct diagonalization on a D-Wave quantum
annealer [62.997667081978825]
本研究は、D-Wave 2000Q量子アニール上の分子電子ハミルトニアン固有値-固有ベクトル問題を解くために、一般量子アニール固有解法(QAE)アルゴリズムを実装した。
そこで本研究では,D-Waveハードウェアを用いた各種分子系における基底および電子励起状態の取得について述べる。
論文 参考訳（メタデータ） (2020-09-02T22:46:47Z) - Simulating nonnative cubic interactions on noisy quantum machines [65.38483184536494]
量子プロセッサは、ハードウェアに固有のものではないダイナミクスを効率的にシミュレートするためにプログラムできることを示す。
誤差補正のないノイズのあるデバイスでは、モジュールゲートを用いて量子プログラムをコンパイルするとシミュレーション結果が大幅に改善されることを示す。
論文 参考訳（メタデータ） (2020-04-15T05:16:24Z) - Dissipation-engineering of nonreciprocal quantum dot circuits: An
input-output approach [6.211723927647019]
ナノエレクトロニクスデバイスにおける非相互効果は、電子輸送と工学的な量子電子回路の操作にユニークな可能性をもたらす。
固体量子ドットアーキテクチャにおける非相互輸送の一般的なインプット・アウトプット記述を提供する。
非相互結合は共振輸送系において一方向電子流を誘導することを示す。
論文 参考訳（メタデータ） (2020-04-11T14:13:14Z)
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。