論文の概要: Predicting rate kernels via dynamic mode decomposition

• arxiv url: http://arxiv.org/abs/2308.01635v1
• Date: Thu, 3 Aug 2023 09:10:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-04 14:37:03.650556
• Title: Predicting rate kernels via dynamic mode decomposition
• Title（参考訳）: 動的モード分解によるレートカーネルの予測
• Authors: Wei Liu, Zi-Hao Chen, Yu Su, Yao Wang and Wenjie Dou
• Abstract要約: 量子レートプロセスにおけるレートカーネルの評価には動的モード分解を用いる。 本研究は,DMDが従来の伝搬法と比較して正確な結果の予測が可能であることを示唆している。
• 参考スコア（独自算出の注目度）: 16.144510246748258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulating dynamics of open quantum systems is sometimes a significant challenge, despite the availability of various exact or approximate methods. Particularly when dealing with complex systems, the huge computational cost will largely limit the applicability of these methods. We investigate the usage of dynamic mode decomposition (DMD) to evaluate the rate kernels in quantum rate processes. DMD is a data-driven model reduction technique that characterizes the rate kernels using snapshots collected from a small time window, allowing us to predict the long-term behaviors with only a limited number of samples. Our investigations show that whether the external field is involved or not, the DMD can give accurate prediction of the result compared with the traditional propagations, and simultaneously reduce the required computational cost.
• Abstract（参考訳）: オープン量子システムのダイナミクスをシミュレートすることは、様々な完全あるいは近似的な方法が利用可能であるにもかかわらず、しばしば重要な課題である。 特に複雑なシステムを扱う場合、計算コストはこれらの手法の適用性を大幅に制限する。 量子レートプロセスにおけるレートカーネルの評価に動的モード分解(DMD)を用いることを検討する。 DMDは、小さな時間窓から収集したスナップショットを用いてレートカーネルを特徴付けるデータ駆動型モデル縮小手法であり、限られたサンプル数で長期間の挙動を予測することができる。 本研究は,外部の場が関与しているか否かに関わらず,dmdは従来の伝搬よりも正確な結果を予測でき,同時に必要な計算コストを低減できることを示す。

関連論文リスト

• Enhancing Computational Efficiency in Multiscale Systems Using Deep Learning of Coordinates and Flow Maps [0.0]
  本稿では,マルチスケールシステムにおいて,ディープラーニング技術を用いて正確なタイムステッピング手法を構築する方法について述べる。 結果として得られるフレームワークは、より少ない計算コストで最先端の予測精度を達成する。
  論文  参考訳（メタデータ） (2024-04-28T14:05:13Z)
• Forecasting Long-Time Dynamics in Quantum Many-Body Systems by Dynamic Mode Decomposition [6.381013699474244]
  そこで本研究では,身体量の短時間データの信頼性を利用して,長時間の挙動を正確に予測する手法を提案する。 この方法は流体力学で一般的に用いられる動的モード分解(DMD)に基づいている。 本手法により,短時間のトレーニングデータよりも1桁近い精度の予測が可能であることが実証された。
  論文  参考訳（メタデータ） (2024-03-29T03:10:34Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Coupled and Uncoupled Dynamic Mode Decomposition in Multi-Compartmental Systems with Applications to Epidemiological and Additive Manufacturing Problems [58.720142291102135]
  非線形問題に適用した場合,動的分解(DMD)は強力なツールである可能性が示唆された。 特に,Covid-19に対する連続遅延SIRDモデルに対する興味深い数値的応用を示す。
  論文  参考訳（メタデータ） (2021-10-12T21:42:14Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• Fast and differentiable simulation of driven quantum systems [58.720142291102135]
  我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。 回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
  論文  参考訳（メタデータ） (2020-12-16T21:43:38Z)
• Particles to Partial Differential Equations Parsimoniously [0.0]
  粗粒の有効部分微分方程式は、予測や制御のような計算集約的なタスクにかなりの節約をもたらす可能性がある。 本稿では,ニューラルネットワークとマルチスケール計算を組み合わせる枠組みを,方程式自由数値の形で提案する。 素粒子シミュレーションから大まかな粒度進化方程式を抽出し, 未知のマクロスケール変数を用いた手法を提案する。
  論文  参考訳（メタデータ） (2020-11-09T15:51:24Z)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)

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。