Fugu-MT 論文翻訳(概要): Synergy between deep neural networks and the variational Monte Carlo method for small $^4He

論文の概要: Synergy between deep neural networks and the variational Monte Carlo method for small $^4He_N$ clusters

arxiv url: http://arxiv.org/abs/2302.00599v2
Date: Wed, 12 Apr 2023 13:53:53 GMT
ステータス: 処理完了
システム内更新日: 2023-04-13 17:57:49.523307
Title: Synergy between deep neural networks and the variational Monte Carlo method for small $^4He_N$ clusters
Title（参考訳）: 小さな$^4he_n$クラスターに対する深層ニューラルネットワークと変分モンテカルロ法との相乗効果
Authors: William Freitas and S. A. Vitiello
Abstract要約: 本稿ではBose-Einstein統計量を満たす波動関数をモデル化するためのニューラルネットワークに基づくアプローチを提案する。接地状態エネルギー,ペア密度関数,および2体接触パラメータを正確に予測することができた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a neural network-based approach for modeling wave functions that satisfies Bose-Einstein statistics. By applying this model to small $^4He_N$ clusters with N ranging from 2 to 14 atoms, we were able to accurately predict ground state energies, pair density functions, and two-body contact parameters $C^{(N)}_2$ associated with weak unitarity. The results obtained through the use of the variational Monte Carlo method are in remarkable agreement with previous studies that employed the diffusion Monte Carlo method. This suggests that our neural network approach is a powerful tool for investigating many-body systems that obey Bose-Einstein statistics.
Abstract（参考訳）: 本稿ではBose-Einstein統計量を満たす波動関数をモデル化するためのニューラルネットワークに基づくアプローチを提案する。このモデルを2原子から14原子までの小さな$^4he_n$クラスターに適用することにより、弱ユニタリティに関連する基底状態エネルギー、対密度関数、および2体接触パラメータ$c^{(n)}_2$を正確に予測することができた。変分モンテカルロ法を用いて得られた結果は、拡散モンテカルロ法を使用した以前の研究と顕著に一致している。これは、我々のニューラルネットワークアプローチが、ボース=アインシュタイン統計に従う多体システムを調べる強力なツールであることを示唆している。

関連論文リスト

Reliability Analysis of Complex Systems using Subset Simulations with Hamiltonian Neural Networks [0.0]
ハミルトンニューラルネットワークを用いたモンテカルロサンプリングを用いた新しいサブセットシミュレーション手法を提案する。提案手法は,ハミルトニアンモンテカルロ法の優れたサンプリングと計算効率のよい勾配評価を組み合わせたものである。
論文参考訳（メタデータ） (2024-01-10T16:15:42Z)
A Score-Based Model for Learning Neural Wavefunctions [41.82403146569561]
スコアベースニューラルネットワークを用いて量子多体基底状態の物性を得るための新しいフレームワークを提供する。我々の新しいフレームワークは明示的な確率分布を必要とせず、ランゲヴィン力学によるサンプリングを行う。
論文参考訳（メタデータ） (2023-05-25T23:44:27Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文参考訳（メタデータ） (2023-02-10T08:05:19Z)
Dilute neutron star matter from neural-network quantum states [58.720142291102135]
低密度中性子物質はクーパー対の形成と超流動の開始によって特徴づけられる。我々は、モンテカルロ変分法と再構成技術を組み合わせた隠れ核量子ネットワーク量子状態の表現性に乗じて、この密度構造をモデル化する。
論文参考訳（メタデータ） (2022-12-08T17:55:25Z)
Solving the nuclear pairing model with neural network quantum states [58.720142291102135]
本稿では,職業数形式論における核多体問題の解法としてモンテカルロ法を提案する。リコンフィグレーションアルゴリズムのメモリ効率向上版を開発し,ハミルトニアンの期待値を最小限に抑えてネットワークをトレーニングする。
論文参考訳（メタデータ） (2022-11-09T00:18:01Z)
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)
Determinant-free fermionic wave function using feed-forward neural networks [0.0]
本稿では,フィードフォワードニューラルネットワークを用いて,多体フェルミオン系の基底状態を検出する枠組みを提案する。エネルギーの「ばらつき」をエネルギーそのものと同時に最適化することにより近似の精度を向上させることができることを示す。これらの改善は、変分モンテカルロ法に基づく他の手法にも適用できる。
論文参考訳（メタデータ） (2021-08-19T11:51:36Z)
Simulations of state-of-the-art fermionic neural network wave functions with diffusion Monte Carlo [2.039924457892648]
ネットワークへのいくつかの変更(Fermi Net)と最適化(Kronecker Factored Approximate Curvature)を導入する。ディフュージョン・モンテカルロの結果は、調査された全てのシステムに対して、最先端の性能を上回るか、一致している。
論文参考訳（メタデータ） (2021-03-23T14:12:39Z)
Generative Neural Samplers for the Quantum Heisenberg Chain [0.3655021726150368]
生成神経サンプラーは、統計物理学や量子場理論における問題に対するモンテカルロ法を補完するアプローチを提供する。本研究は、実世界の低次元スピン系の可観測性を推定する生成神経サンプラーの能力をテストする。
論文参考訳（メタデータ） (2020-12-18T14:28:13Z)
Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
論文参考訳（メタデータ） (2020-07-28T14:52:28Z)

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。