論文の概要: Deep Stochastic Mechanics
- arxiv url: http://arxiv.org/abs/2305.19685v3
- Date: Wed, 14 Feb 2024 17:48:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-15 19:59:11.301087
- Title: Deep Stochastic Mechanics
- Title(参考訳): 深部確率力学
- Authors: Elena Orlova, Aleksei Ustimenko, Ruoxi Jiang, Peter Y. Lu, Rebecca
Willett
- Abstract要約: 本稿では,時間発展するシュリンガー方程式の数値シミュレーションのための,ディープラーニングに基づく新しい手法を提案する。
本手法により,マルコフ拡散からサンプリングすることで,波動関数の潜時低次元構造に適応することができる。
- 参考スコア(独自算出の注目度): 18.880015124466514
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces a novel deep-learning-based approach for numerical
simulation of a time-evolving Schr\"odinger equation inspired by stochastic
mechanics and generative diffusion models. Unlike existing approaches, which
exhibit computational complexity that scales exponentially in the problem
dimension, our method allows us to adapt to the latent low-dimensional
structure of the wave function by sampling from the Markovian diffusion.
Depending on the latent dimension, our method may have far lower computational
complexity in higher dimensions. Moreover, we propose novel equations for
stochastic quantum mechanics, resulting in linear computational complexity with
respect to the number of dimensions. Numerical simulations verify our
theoretical findings and show a significant advantage of our method compared to
other deep-learning-based approaches used for quantum mechanics.
- Abstract(参考訳): 本稿では,確率力学と生成拡散モデルに着想を得た時間発展型schr\"odinger方程式の数値シミュレーションのための新しいディープラーニング手法を提案する。
問題次元で指数関数的にスケールする計算複雑性を示す既存の手法とは異なり、本手法はマルコフ拡散からサンプリングすることで波動関数の潜在低次元構造に適応できる。
潜在次元によっては、より高次元の計算複雑性がはるかに低い可能性がある。
さらに, 確率的量子力学のための新しい方程式を提案し, 次元数に関して線形計算複雑性をもたらす。
数値シミュレーションは,量子力学における他の深層学習手法と比較して,理論的な知見を検証し,本手法の大きな利点を示す。
関連論文リスト
- Quantum algorithms for linear and non-linear fractional
reaction-diffusion equations [3.409316136755434]
周期境界条件を持つ非線形分数反応拡散方程式の効率的な量子アルゴリズムについて検討する。
本稿では,ハミルトニアンシミュレーション手法と相互作用画像形式を線形に組み合わせた新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-29T04:48:20Z) - From Vlasov-Poisson to Schr\"odinger-Poisson: dark matter simulation
with a quantum variational time evolution algorithm [0.0]
本研究では, 自己整合性, 非線形性, 問題に変動的リアルタイム進化アプローチを適用することで, シュル・オーディンガー・ポアソン方程式をシミュレートする量子アルゴリズムを提案する。
このアプローチは、古典的アルゴリズムを用いてVlasov-Poisson(VP)方程式を解くための効率的な代替手段として機能する可能性を持っている。
論文 参考訳(メタデータ) (2023-07-12T09:25:40Z) - 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) - 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) - Calculating non-linear response functions for multi-dimensional
electronic spectroscopy using dyadic non-Markovian quantum state diffusion [68.8204255655161]
本稿では,分子集合体の多次元電子スペクトルと電子励起を結合した構造環境下でのシミュレーション手法を提案する。
このアプローチの重要な側面は、NMQSD方程式を2重系ヒルベルト空間で伝播するが、同じ雑音を持つことである。
論文 参考訳(メタデータ) (2022-07-06T15:30:38Z) - Numerical Simulations of Noisy Quantum Circuits for Computational
Chemistry [51.827942608832025]
短期量子コンピュータは、小さな分子の基底状態特性を計算することができる。
計算アンサッツの構造と装置ノイズによる誤差が計算にどのように影響するかを示す。
論文 参考訳(メタデータ) (2021-12-31T16:33:10Z) - Arbitrary Marginal Neural Ratio Estimation for Simulation-based
Inference [7.888755225607877]
本稿では,数値積分に頼らずにパラメータの任意の部分集合に対する償却推論を可能にする新しい手法を提案する。
重力波観測による二元ブラックホール系のパラメータ推定法の適用性を示す。
論文 参考訳(メタデータ) (2021-10-01T14:35:46Z) - Manifold learning-based polynomial chaos expansions for high-dimensional
surrogate models [0.0]
システム記述における不確実性定量化(UQ)のための多様体学習に基づく手法を提案する。
提案手法は高精度な近似を達成でき、UQタスクの大幅な高速化につながる。
論文 参考訳(メタデータ) (2021-07-21T00:24:15Z) - A Quantum Inspired Approach to Exploit Turbulence Structures [0.0]
異なる長さスケール間の相関関係を定量化することにより乱流構造を解析するための新しいパラダイムを提案する。
本稿では,2つのパラダイムフロー例のスケール間相関について検討し,これらの知見を用いて乱流シミュレーションのための構造分解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2021-06-10T14:33:53Z) - Large-Scale Wasserstein Gradient Flows [84.73670288608025]
ワッサーシュタイン勾配流を近似するスケーラブルなスキームを導入する。
我々のアプローチは、JKOステップを識別するために、入力ニューラルネットワーク(ICNN)に依存しています。
その結果、勾配拡散の各ステップで測定値からサンプリングし、その密度を計算することができる。
論文 参考訳(メタデータ) (2021-06-01T19:21:48Z) - Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。
一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。
幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
論文 参考訳(メタデータ) (2021-04-01T19:06:00Z)
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。