Fugu-MT 論文翻訳(概要): Investigating Topological Order using Recurrent Neural Networks

論文の概要: Investigating Topological Order using Recurrent Neural Networks

arxiv url: http://arxiv.org/abs/2303.11207v2
Date: Sun, 26 Mar 2023 19:36:25 GMT
ステータス: 処理完了
システム内更新日: 2023-03-28 23:39:41.910281
Title: Investigating Topological Order using Recurrent Neural Networks
Title（参考訳）: リカレントニューラルネットワークを用いたトポロジカル秩序の探索
Authors: Mohamed Hibat-Allah, Roger G. Melko, Juan Carrasquilla
Abstract要約: トポロジカル秩序を示す2つの原型量子多体ハミルトニアンを2次元RNNを用いて検討する。具体的には, RNN波動関数が, かごめ格子上のトーリック符号とボース・ハッバードスピン液体のトポロジ的順序を効果的に捉えることができることを示した。
参考スコア（独自算出の注目度）: 0.45119235878273
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recurrent neural networks (RNNs), originally developed for natural language processing, hold great promise for accurately describing strongly correlated quantum many-body systems. Here, we employ 2D RNNs to investigate two prototypical quantum many-body Hamiltonians exhibiting topological order. Specifically, we demonstrate that RNN wave functions can effectively capture the topological order of the toric code and a Bose-Hubbard spin liquid on the kagome lattice by estimating their topological entanglement entropies. We also find that RNNs favor coherent superpositions of minimally-entangled states over minimally-entangled states themselves. Overall, our findings demonstrate that RNN wave functions constitute a powerful tool to study phases of matter beyond Landau's symmetry-breaking paradigm.
Abstract（参考訳）: 自然言語処理のために開発されたrecurrent neural networks(rnns)は、強い相関を持つ量子多体システムを正確に記述する大きな可能性を秘めている。ここでは2次元RNNを用いて、位相秩序を示す2つの原始型量子多体ハミルトニアンを探索する。特に, rnn波動関数は, トーリック符号の位相次数と, カゴメ格子上のボース・ハバードスピン液体を, その位相的絡み合いエントロピーを推定することにより効果的に捉えることができることを示す。また、RNNは、最小の絡み合い状態自体よりも、最小の絡み合い状態のコヒーレントな重ね合わせを好む。総じて、RNN波動関数はランドーの対称性破壊パラダイムを超える物質相を研究する強力なツールであることを示した。

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$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文参考訳（メタデータ） (2024-09-05T07:18:09Z)
Neural network approach to quasiparticle dispersions in doped antiferromagnets [0.0]
異なる1次元および2次元格子上でのボソニックおよびフェルミオンの$t-J$モデルを表現する神経量子状態の能力について検討する。本稿では,ニューラルネットワークの状態表現から分散関係を計算する手法を提案する。
論文参考訳（メタデータ） (2023-10-12T17:59:33Z)
Universal Approximation and the Topological Neural Network [0.0]
トポロジカルニューラルネットワーク(TNN)は、通常の有限次元空間の代わりにチコノフ位相空間からデータを取得する。また、ボレル測度をデータとする分布ニューラルネットワーク(DNN)も導入する。
論文参考訳（メタデータ） (2023-05-26T05:28:10Z)
Wavelet Neural Networks versus Wavelet-based Neural Networks [0.0]
我々は、新しいタイプのニューラルネットワーク(NN)、ウェーブレットベースのニューラルネットワーク(WBNN)を導入し、その特性と応用の可能性について研究する。我々は、WBNNが既存のウェーブレットニューラルネットワーク(WNN)を大幅に上回っていることを示す。
論文参考訳（メタデータ） (2022-11-01T11:41:19Z)
Supplementing Recurrent Neural Network Wave Functions with Symmetry and Annealing to Improve Accuracy [0.7234862895932991]
リカレントニューラルネットワーク(Recurrent Neural Network, RNN)は、人工知能のパラダイムから生まれたニューラルネットワークのクラスである。本手法は, 三角格子上でのシステムサイズが14×14ドル以上の場合, 密度行列再正規化群(DMRG)よりも優れていることを示す。
論文参考訳（メタデータ） (2022-07-28T18:00:03Z)
The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
論文参考訳（メタデータ） (2022-02-27T23:12:43Z)
Toward Trainability of Quantum Neural Networks [87.04438831673063]
量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
論文参考訳（メタデータ） (2020-11-12T08:32:04Z)
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)
Deep Neural Networks as the Semi-classical Limit of Quantum Neural Networks [0.0]
量子ニューラルネットワーク(QNN)は、スピンネットにマッピングできる。 Deep Neural Networks (DNN)はQNNのサブケースである。トポロジカル量子場理論(TQFT)の用語を用いて機械学習(ML)キー概念を記述できる
論文参考訳（メタデータ） (2020-06-30T22:47:26Z)
Graph Neural Networks for Motion Planning [108.51253840181677]
低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。 RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
論文参考訳（メタデータ） (2020-06-11T08:19:06Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。