論文の概要: Reconstructing $S$-matrix Phases with Machine Learning

• arxiv url: http://arxiv.org/abs/2308.09451v1
• Date: Fri, 18 Aug 2023 10:29:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 13:37:55.309032
• Title: Reconstructing $S$-matrix Phases with Machine Learning
• Title（参考訳）: 機械学習による$S$-matrixフェーズの再構築
• Authors: Aur\'elien Dersy, Matthew D. Schwartz, Alexander Zhiboedov
• Abstract要約: 我々は、ユニタリティ制約の研究に現代の機械学習技術を適用した。 我々は、そのような解に対する既知の限界を以前の境界を超えるような新しい位相あいまいな解を求める。
• 参考スコア（独自算出の注目度）: 49.1574468325115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An important element of the $S$-matrix bootstrap program is the relationship between the modulus of an $S$-matrix element and its phase. Unitarity relates them by an integral equation. Even in the simplest case of elastic scattering, this integral equation cannot be solved analytically and numerical approaches are required. We apply modern machine learning techniques to studying the unitarity constraint. We find that for a given modulus, when a phase exists it can generally be reconstructed to good accuracy with machine learning. Moreover, the loss of the reconstruction algorithm provides a good proxy for whether a given modulus can be consistent with unitarity at all. In addition, we study the question of whether multiple phases can be consistent with a single modulus, finding novel phase-ambiguous solutions. In particular, we find a new phase-ambiguous solution which pushes the known limit on such solutions significantly beyond the previous bound.
• Abstract（参考訳）: $s$-matrixブートストラッププログラムの重要な要素は、$s$-matrix要素のモジュラスとそのフェーズの関係である。 ユニタリ性はそれらを積分方程式で関連付ける。 最も単純な弾性散乱の場合でさえ、この積分方程式を解析的に解くことはできず、数値的なアプローチが必要となる。 現代の機械学習手法をユニタリティ制約の研究に適用する。 与えられたモジュラーに対して、位相が存在する場合、一般に機械学習によって精度良く再構成することができる。 さらに、再構成アルゴリズムの損失は、与えられたモジュラリティがユニタリティと全く整合可能であるかどうかのよいプロキシを提供する。 さらに,複数相が単一モジュラーと整合可能であるかという問題を考察し,新しい位相あいまいな解を求める。 特に、そのような解に対する既知の極限を以前の境界を超えるような新しい位相曖昧解が見つかる。

関連論文リスト

• An approximation of the $S$ matrix for solving the Marchenko equation [0.0]
  ここでは、有理関数の和として定式化された運動量$q$に対する$S$-行列依存の新たな近似と、truncated Sinc 級数を示す。 このアプローチにより、特定の解像度で$S$行列をポイントワイズで決定することができ、共鳴挙動などの重要な特徴を高精度に捉えることができる。
  論文  参考訳（メタデータ） (2024-10-27T11:06:28Z)
• A Sample Efficient Alternating Minimization-based Algorithm For Robust Phase Retrieval [56.67706781191521]
  そこで本研究では,未知の信号の復元を課題とする,ロバストな位相探索問題を提案する。 提案するオラクルは、単純な勾配ステップと外れ値を用いて、計算学的スペクトル降下を回避している。
  論文  参考訳（メタデータ） (2024-09-07T06:37:23Z)
• Projection by Convolution: Optimal Sample Complexity for Reinforcement Learning in Continuous-Space MDPs [56.237917407785545]
  本稿では,円滑なベルマン作用素を持つ連続空間マルコフ決定過程(MDP)の一般クラスにおいて,$varepsilon$-optimal Policyを学習する問題を考察する。 我々のソリューションの鍵となるのは、調和解析のアイデアに基づく新しい射影技術である。 我々の結果は、連続空間 MDP における2つの人気と矛盾する視点のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2024-05-10T09:58:47Z)
• Learning-based Multi-continuum Model for Multiscale Flow Problems [24.93423649301792]
  本稿では,同質化方程式の強化と,マルチスケール問題に対する単一モデルの精度向上を目的とした学習型マルチコンチニュウムモデルを提案する。 提案する学習型マルチコンチニュウムモデルでは,各粗いグリッドブロック内の複数の相互作用媒質を解決し,その間の物質移動を記述できる。
  論文  参考訳（メタデータ） (2024-03-21T02:30:56Z)
• Learning High-Dimensional Nonparametric Differential Equations via Multivariate Occupation Kernel Functions [0.31317409221921133]
  通常の微分方程式の非パラメトリック系を学ぶには、$d$変数の$d$関数を学ぶ必要がある。 明示的な定式化は、スパーシティや対称性といったシステム特性に関する追加の知識が得られない限り、$d$で2次的にスケールする。 本稿では,ベクトル値の再現Kernel Hilbert Spacesによる暗黙の定式化を用いた線形学習手法を提案する。
  論文  参考訳（メタデータ） (2023-06-16T21:49:36Z)
• Statistical-Computational Tradeoffs in Mixed Sparse Linear Regression [20.00109111254507]
  この問題は、$frackSNR2$-to-$frack2SNR2$statistic-to-computational gapである。 また,この問題が困難な狭い状況以外では,関連する混合回帰検出問題を解くための簡単なしきい値決定アルゴリズムも分析する。
  論文  参考訳（メタデータ） (2023-03-03T18:03:49Z)
• Stochastic Inexact Augmented Lagrangian Method for Nonconvex Expectation Constrained Optimization [88.0031283949404]
  多くの実世界の問題は複雑な非機能的制約を持ち、多くのデータポイントを使用する。 提案手法は,従来最もよく知られた結果で既存手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-12-19T14:48:54Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)
• Resolving mean-field solutions of dissipative phase transitions using permutational symmetry [0.0]
  散逸性量子系の相転移は、特に平均場(MF)限界において様々な分析手法を用いて研究されている。 これらの 2 つの解は、$d_c$ 上の MF 解が同一であることから、整合できない。 大規模システムの数値研究は、計算複雑性が指数関数的に増加するため、実現不可能である可能性がある。
  論文  参考訳（メタデータ） (2021-10-18T16:07:09Z)
• Tightening the Dependence on Horizon in the Sample Complexity of Q-Learning [59.71676469100807]
  この研究は、同期Q-ラーニングのサンプルの複雑さを、任意の$0varepsilon 1$に対して$frac|mathcalS| (1-gamma)4varepsilon2$の順序に絞る。 計算やストレージを余分に必要とせずに、高速なq-learningにマッチするvanilla q-learningの有効性を明らかにした。
  論文  参考訳（メタデータ） (2021-02-12T14:22:05Z)

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。