Fugu-MT 論文翻訳(概要): Characterizing Exceptional Points Using Neural Networks

論文の概要: Characterizing Exceptional Points Using Neural Networks

arxiv url: http://arxiv.org/abs/2305.00776v1
Date: Mon, 1 May 2023 11:39:03 GMT
ステータス: 処理完了
システム内更新日: 2023-05-02 13:20:59.113150
Title: Characterizing Exceptional Points Using Neural Networks
Title（参考訳）: ニューラルネットワークを用いた例外点のキャラクタリゼーション
Authors: Md. Afsar Reja, Awadhesh Narayan
Abstract要約: 非エルミート系における例外点(EP)を特徴付けるために、要約位相剛性(SPR)を導入する。本稿では、SPRがトレーニングデータから完全に見つからない注文のEPを予測可能にする方法を示す。本手法は,機械学習手法を用いてEPを自動で特徴付けるのに有用である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: One of the key features of non-Hermitian systems is the occurrence of exceptional points (EPs), spectral degeneracies where the eigenvalues and eigenvectors merge. In this work, we propose applying neural networks to characterize EPs by introducing a new feature -- summed phase rigidity (SPR). We consider different models with varying degrees of complexity to illustrate our approach, and show how to predict EPs for two-site and four-site gain and loss models. Further, we demonstrate an accurate EP prediction in the paradigmatic Hatano-Nelson model for a variable number of sites. Remarkably, we show how SPR enables a prediction of EPs of orders completely unseen by the training data. Our method can be useful to characterize EPs in an automated manner using machine learning approaches.
Abstract（参考訳）: 非エルミート系の重要な特徴の1つは例外点(EP)、固有値と固有ベクトルが融合するスペクトル退化である。本研究では,新しい特徴である要約位相剛性(SPR)を導入して,EPを特徴付けるニューラルネットワークを提案する。我々は,このアプローチを説明するために,複雑性の異なる異なるモデルを検討し,epsの予測方法を示す。さらに,多様なサイトに対するパラダイム的Hatano-Nelsonモデルにおいて,正確なEP予測を示す。注目すべきは、SPRがトレーニングデータから完全に見当たらない注文のEPを予測できることである。本手法は,機械学習手法を用いてEPを自動で特徴付けるのに有用である。

関連論文リスト

Self-supervised Pretraining for Partial Differential Equations [0.0]
本稿では、トランスフォーマーに基づくニューラルネットワークアーキテクチャの最近の進歩を活用し、ニューラルPDEソルバを構築するための新しいアプローチについて述べる。我々のモデルは、ネットワークを再トレーニングすることなく、PDEパラメータの異なる値に対するソリューションを提供することができる。
論文参考訳（メタデータ） (2024-07-03T16:39:32Z)
Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文参考訳（メタデータ） (2022-09-26T17:59:58Z)
Correcting Model Bias with Sparse Implicit Processes [0.9187159782788579]
SIP(Sparse Implicit Processes)は,データ生成機構がモデルによって入力されるものと強く異なる場合,モデルバイアスを補正できることを示す。合成データセットを用いて、SIPは、初期推定モデルの正確な予測よりもデータをよりよく反映する予測分布を提供することができることを示す。
論文参考訳（メタデータ） (2022-07-21T18:00:01Z)
Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。我々の手法は古典的DPベースの推論に広く適用できる。また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文参考訳（メタデータ） (2021-12-07T11:26:41Z)
Consistency Regularization for Deep Face Anti-Spoofing [69.70647782777051]
顔認証システムでは、顔認証(FAS)が重要な役割を担っている。このエキサイティングな観察によって、異なる視点の特徴整合性を促進することが、FASモデルを促進するための有望な方法かもしれないと推測する。 FASにおけるEPCR(Embeddding-level and Prediction-level Consistency Regularization)とEPCR(Embeddding-level Consistency Regularization)を併用した。
論文参考訳（メタデータ） (2021-11-24T08:03:48Z)
Sensitivity analysis in differentially private machine learning using hybrid automatic differentiation [54.88777449903538]
感性分析のための新しいテクスチブリド自動識別システム(AD)を導入する。これにより、ニューラルネットワークをプライベートデータ上でトレーニングするなど、任意の微分可能な関数合成の感度をモデル化できる。当社のアプローチは,データ処理の設定において,プライバシ損失に関する原則的推論を可能にする。
論文参考訳（メタデータ） (2021-07-09T07:19:23Z)
Attaining entropy production and dissipation maps from Brownian movies via neural networks [0.0]
エントロピー生成の定量化(EP)は、メソスコピックスケールのシステムを理解するために不可欠である。本研究では,映画からのみ計算する教師なし学習アルゴリズムを用いてEPの推定手法を開発した。本手法はEPを正確に測定し,2つの非平衡系における散逸マップを作成する。
論文参考訳（メタデータ） (2021-06-29T05:45:13Z)
Explaining and Improving Model Behavior with k Nearest Neighbor Representations [107.24850861390196]
モデルの予測に責任のあるトレーニング例を特定するために, k 近傍表現を提案する。我々は,kNN表現が学習した素因関係を明らかにするのに有効であることを示す。以上の結果から,kNN手法により,直交モデルが逆入力に対してより堅牢であることが示唆された。
論文参考訳（メタデータ） (2020-10-18T16:55:25Z)
Meta-Learning Stationary Stochastic Process Prediction with Convolutional Neural Processes [32.02612871707347]
提案するConvNPは,ニューラルプロセス(NP)に翻訳等価性を付与し,畳み込み条件NPを拡張して予測分布への依存性を許容する。本研究では,1DにおけるConvNPの強い性能と一般化能力,回帰画像補完,実時間データを用いた各種タスクについて述べる。
論文参考訳（メタデータ） (2020-07-02T18:25:27Z)
Feature Transformation Ensemble Model with Batch Spectral Regularization for Cross-Domain Few-Shot Classification [66.91839845347604]
特徴抽出ネットワークの後に多様な特徴変換を行うことにより,アンサンブル予測モデルを提案する。我々は,事前学習中に特徴行列の特異値を抑制するために,バッチスペクトル正規化項を用い,モデルの一般化能力を向上させる。提案したモデルは、ターゲット領域で微調整して、数発の分類に対処することができる。
論文参考訳（メタデータ） (2020-05-18T05:31:04Z)
Learning entropy production via neural networks [0.10499611180329801]
このレターは、エントロピー生成のための神経推定器(NEEP)を示し、系力学の詳細な情報なしで関連する変数の軌跡からエントロピー生成(EP)を推定する。定常状態の場合、深層ニューラルネットワークの異なる選択から構築できる推定器は、ここで提案する目的関数を最適化することによってEPを提供する。
論文参考訳（メタデータ） (2020-03-09T14:23:36Z)

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。