論文の概要: Fluctuation based interpretable analysis scheme for quantum many-body
snapshots
- arxiv url: http://arxiv.org/abs/2304.06029v1
- Date: Wed, 12 Apr 2023 17:59:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-13 13:58:33.756524
- Title: Fluctuation based interpretable analysis scheme for quantum many-body
snapshots
- Title（参考訳）: 量子多体スナップショットのゆらぎに基づく解釈解析手法
- Authors: Henning Schl\"omer, Annabelle Bohrdt
- Abstract要約: 物質の微視的理解と分類は、強相関量子物理学の中心にある。
ここでは、混乱学習と相関畳み込みニューラルネットワークを組み合わせることで、完全に解釈可能な位相検出を行う。
我々の研究は、解釈可能な量子画像処理における新しい方向を、長距離の順序に相応しいものに開放する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Microscopically understanding and classifying phases of matter is at the
heart of strongly-correlated quantum physics. With quantum simulations, genuine
projective measurements (snapshots) of the many-body state can be taken, which
include the full information of correlations in the system. The rise of deep
neural networks has made it possible to routinely solve abstract processing and
classification tasks of large datasets, which can act as a guiding hand for
quantum data analysis. However, though proven to be successful in
differentiating between different phases of matter, conventional neural
networks mostly lack interpretability on a physical footing. Here, we combine
confusion learning with correlation convolutional neural networks, which yields
fully interpretable phase detection in terms of correlation functions. In
particular, we study thermodynamic properties of the 2D Heisenberg model,
whereby the trained network is shown to pick up qualitative changes in the
snapshots above and below a characteristic temperature where magnetic
correlations become significantly long-range. We identify the full counting
statistics of nearest neighbor spin correlations as the most important quantity
for the decision process of the neural network, which go beyond averages of
local observables. With access to the fluctuations of second-order correlations
-- which indirectly include contributions from higher order, long-range
correlations -- the network is able to detect changes of the specific heat and
spin susceptibility, the latter being in analogy to magnetic properties of the
pseudogap phase in high-temperature superconductors. By combining the confusion
learning scheme with transformer neural networks, our work opens new directions
in interpretable quantum image processing being sensible to long-range order.
- Abstract（参考訳）: 物質の微視的理解と分類は、強相関量子物理学の中心にある。
量子シミュレーションでは、系内の相関の完全な情報を含む多体状態の真の射影的測定(スナップショット)を行うことができる。
ディープニューラルネットワークの台頭により、大規模データセットの抽象処理や分類タスクを日常的に解決することが可能となり、量子データ解析の指導手として機能する。
しかし、物体の異なる相の違いを区別することに成功したが、従来のニューラルネットワークは物理的足場における解釈可能性にほとんど欠けていた。
ここでは、相関関数の観点から完全に解釈可能な位相検出をもたらす相関畳み込みニューラルネットワークと混同学習を組み合わせる。
特に, 2次元ハイゼンベルク模型の熱力学特性について検討し, トレーニングしたネットワークは, 磁気相関が著しく長距離となる特性温度以下で, スナップショットの質的変化を捉えることができることを示した。
我々は、近接するスピン相関の完全なカウント統計を、局所観測値の平均を超えるニューラルネットワークの決定過程における最も重要な量として特定する。
高温超伝導体における擬ギャップ相の磁気的性質に類似した、二階相関の揺らぎ(高次の長距離相関からの寄与を間接的に含む)へのアクセスにより、ネットワークは特定の熱とスピン感受性の変化を検出することができる。
混乱学習スキームをトランスフォーマーニューラルネットワークと組み合わせることで、解釈可能な量子画像処理における新しい方向が長距離オーダーに適応できる。
関連論文リスト
- Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Addressing caveats of neural persistence with deep graph persistence [54.424983583720675]
神経の持続性に影響を与える主な要因は,ネットワークの重みのばらつきと大きな重みの空間集中である。
単一層ではなく,ニューラルネットワーク全体へのニューラルネットワークの持続性に基づくフィルタリングの拡張を提案する。
これにより、ネットワーク内の永続的なパスを暗黙的に取り込み、分散に関連する問題を緩和するディープグラフの永続性測定が得られます。
論文 参考訳（メタデータ） (2023-07-20T13:34:11Z) - Deep learning of spatial densities in inhomogeneous correlated quantum
systems [0.0]
ランダムポテンシャルに基づいてトレーニングされた畳み込みニューラルネットワークを用いて,密度の予測が可能であることを示す。
我々は,不均一な状況下での干渉と相互作用の相互作用と相転移を伴うモデルの挙動をうまく扱えることを示す。
論文 参考訳（メタデータ） (2022-11-16T17:10:07Z) - Momentum Diminishes the Effect of Spectral Bias in Physics-Informed
Neural Networks [72.09574528342732]
物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。
彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。
本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
論文 参考訳（メタデータ） (2022-06-29T19:03:10Z) - Learning topological defects formation with neural networks in a quantum
phase transition [0.0]
一次元横場量子イジングモデルにおける位相的欠陥の時間進化、普遍統計、相関について検討する。
キンク数の最初の3つの累積とクエンチ率の間に普遍的な力-法則関係を確立し、キンクの二項分布を示す。
最後に、正規化されたキンクキンク相関についても検討し、解析式と数値が一致していることを見出した。
論文 参考訳（メタデータ） (2022-04-14T06:00:19Z) - Decomposing neural networks as mappings of correlation functions [57.52754806616669]
本研究では,ディープフィードフォワードネットワークによって実装された確率分布のマッピングについて検討する。
ニューラルネットワークで使用できる異なる情報表現と同様に、データに不可欠な統計を識別する。
論文 参考訳（メタデータ） (2022-02-10T09:30:31Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Neural network is heterogeneous: Phase matters more [10.812772606528172]
複素数値ニューラルネットワークにおいて, 位相情報のみを保存した重み行列は, 異なる種類のプルーニングにおいて, 最良の精度が得られることを示す。
この結論は、信号が位相に取って代わる実数値ニューラルネットワークに一般化することができる。
論文 参考訳（メタデータ） (2021-11-03T04:30:20Z) - Towards quantifying information flows: relative entropy in deep neural
networks and the renormalization group [0.0]
相対エントロピーやクルバック・リーバーの分岐を明示的に計算することで,情報の流れを定量化する。
ニューラルネットワークの場合、その振る舞いは機械学習における様々な情報手法に影響を及ぼす可能性がある。
論文 参考訳（メタデータ） (2021-07-14T18:00:01Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - Probing Criticality in Quantum Spin Chains with Neural Networks [0.0]
隠れた層を持たないニューラルネットワークでさえ、磁気秩序と乱れ相の区別を効果的に訓練できることが示される。
我々の結果は、相互作用する量子多体系の幅広いクラスに拡張され、多体量子物理学へのニューラルネットワークの広範な適用性を示す。
論文 参考訳（メタデータ） (2020-05-05T12:34:50Z)
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。