論文の概要: EPR-Net: Constructing non-equilibrium potential landscape via a
variational force projection formulation
- arxiv url: http://arxiv.org/abs/2301.01946v1
- Date: Thu, 5 Jan 2023 07:56:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 14:36:17.297844
- Title: EPR-Net: Constructing non-equilibrium potential landscape via a
variational force projection formulation
- Title(参考訳): EPR-Net: 変動力投影式による非平衡ポテンシャル景観の構築
- Authors: Yue Zhao, Wei Zhang, Tiejun Li
- Abstract要約: 本研究では,高次元非平衡定常状態(NESS)システムの潜在的景観を構築するための,EPR-Netと呼ばれる新しいシンプルな深層学習手法を提案する。
提案手法のロバスト性および有効性は,マルチ安定性,リミットサイクル,あるいは非消滅雑音を持つ奇妙な誘引器を有する高次元生体物理モデルの数値的研究により実証された。
- 参考スコア(独自算出の注目度): 8.713016559541947
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel yet simple deep learning approach, dubbed EPR-Net, for
constructing the potential landscape of high-dimensional non-equilibrium steady
state (NESS) systems. The key idea of our approach is to utilize the fact that
the negative potential gradient is the orthogonal projection of the driving
force in a weighted Hilbert space with respect to the steady-state
distribution. The constructed loss function also coincides with the entropy
production rate (EPR) formula in NESS theory. This approach can be extended to
dealing with dimensionality reduction and state-dependent diffusion
coefficients in a unified fashion. The robustness and effectiveness of the
proposed approach are demonstrated by numerical studies of several
high-dimensional biophysical models with multi-stability, limit cycle, or
strange attractor with non-vanishing noise.
- Abstract(参考訳): 本稿では,高次元非平衡定常状態(ness)システムの潜在景観を構築するための,新しい簡易な深層学習手法epr-netを提案する。
このアプローチの重要な考え方は、負ポテンシャル勾配が定常分布に関して重み付きヒルベルト空間における駆動力の直交射影であるという事実を利用することである。
構成された損失関数は、NESS理論のエントロピー生成率(EPR)式とも一致する。
このアプローチは、次元還元と状態依存拡散係数を統一的に扱うように拡張することができる。
提案手法のロバスト性および有効性は,マルチ安定性,リミットサイクル,あるいは非消滅雑音を持つ奇妙な誘引器を有する高次元生体物理モデルの数値的研究により実証された。
関連論文リスト
- Variational Inference for SDEs Driven by Fractional Noise [16.434973057669676]
マルコフ近似分数的ブラウン運動(fBM)によって駆動される(神経)微分方程式(SDE)の推論を行うための新しい変分フレームワークを提案する。
本稿では, ニューラルネットワークを用いて, 変動後部におけるドリフト, 拡散, 制御条件を学習し, ニューラルSDEの変分学習を実現することを提案する。
論文 参考訳(メタデータ) (2023-10-19T17:59:21Z) - Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。
我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。
本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文 参考訳(メタデータ) (2023-06-06T09:12:49Z) - D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。
このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。
さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
論文 参考訳(メタデータ) (2023-03-01T10:38:10Z) - Slow semiclassical dynamics of a two-dimensional Hubbard model in
disorder-free potentials [77.34726150561087]
調和およびスピン依存線形ポテンシャルの導入は、fTWAを長期間にわたって十分に検証することを示した。
特に、有限2次元系に着目し、中間線形ポテンシャル強度において、高調波ポテンシャルの追加と傾きのスピン依存が、亜拡散力学をもたらすことを示す。
論文 参考訳(メタデータ) (2022-10-03T16:51:25Z) - Decimation technique for open quantum systems: a case study with
driven-dissipative bosonic chains [62.997667081978825]
量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。
本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。
本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
論文 参考訳(メタデータ) (2022-02-15T19:00:09Z) - Stationary Density Estimation of It\^o Diffusions Using Deep Learning [6.8342505943533345]
離散時間系列からのエルゴード的伊藤拡散の定常測度に関連する密度推定問題を考察する。
我々は深層ニューラルネットワークを用いてSDEのドリフトと拡散の項を近似する。
我々は、適切な数学的仮定の下で提案されたスキームの収束を確立する。
論文 参考訳(メタデータ) (2021-09-09T01:57:14Z) - Nonergodic dynamics of the one-dimensional Bose-Hubbard model with a
trapping potential [0.0]
一次元Bose-Hubbardモデルの非エルゴード的挙動について検討する。
我々は、値間隔統計量、奇数と偶数の間の数値不均衡の時間発展、および絡み合いエントロピーを計算する。
論文 参考訳(メタデータ) (2021-08-03T01:37:42Z) - Learning High-Dimensional Distributions with Latent Neural Fokker-Planck
Kernels [67.81799703916563]
低次元潜在空間におけるフォッカー・プランク方程式の解法として問題を定式化する新しい手法を導入する。
提案モデルでは,潜在分散モーフィング,ジェネレータ,パラメータ化Fokker-Planckカーネル関数からなる。
論文 参考訳(メタデータ) (2021-05-10T17:42:01Z) - A Deep Learning approach to Reduced Order Modelling of Parameter
Dependent Partial Differential Equations [0.2148535041822524]
パラメーター対解写像の効率的な近似法として,Deep Neural Networks に基づく構築的アプローチを開発した。
特に, パラメタライズド・アドベクション拡散PDEについて検討し, 強輸送場の存在下で方法論を検証した。
論文 参考訳(メタデータ) (2021-03-10T17:01:42Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳(メタデータ) (2020-02-12T11:10:00Z)
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。