論文の概要: Transfer learning from Hermitian to non-Hermitian quantum many-body physics

• arxiv url: http://arxiv.org/abs/2309.06303v1
• Date: Tue, 12 Sep 2023 15:12:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-13 12:20:52.919556
• Title: Transfer learning from Hermitian to non-Hermitian quantum many-body physics
• Title（参考訳）: エルミートから非エルミート量子多体物理学への転移学習
• Authors: Sharareh Sayyad and Jose L. Lado
• Abstract要約: エルミート相関関数のみを訓練した機械学習手法により,非エルミート相互作用モデルの位相境界を同定できることを示す。 その結果、Hermitian機械学習アルゴリズムは、さらなるトレーニングを必要とせず、非Hermitianモデルに再デプロイ可能であることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Identifying phase boundaries of interacting systems is one of the key steps to understanding quantum many-body models. The development of various numerical and analytical methods has allowed exploring the phase diagrams of many Hermitian interacting systems. However, numerical challenges and scarcity of analytical solutions hinder obtaining phase boundaries in non-Hermitian many-body models. Recent machine learning methods have emerged as a potential strategy to learn phase boundaries from various observables without having access to the full many-body wavefunction. Here, we show that a machine learning methodology trained solely on Hermitian correlation functions allows identifying phase boundaries of non-Hermitian interacting models. These results demonstrate that Hermitian machine learning algorithms can be redeployed to non-Hermitian models without requiring further training to reveal non-Hermitian phase diagrams. Our findings establish transfer learning as a versatile strategy to leverage Hermitian physics to machine learning non-Hermitian phenomena.
• Abstract（参考訳）: 相互作用系の位相境界の同定は、量子多体モデルを理解するための重要なステップの1つである。 様々な数値および解析手法の開発により、多くのエルミート相互作用系の位相図の探索が可能となった。 しかし、解析解の数値的な挑戦と不足は、非エルミート多体モデルにおける位相境界の獲得を妨げる。 近年の機械学習手法は、多体波動関数に完全にアクセスすることなく、様々な観測対象から位相境界を学習するための潜在的戦略として浮上している。 本稿では,エルミート相関関数のみを学習する機械学習手法により,非エルミート相互作用モデルの位相境界を同定できることを示す。 これらの結果は、非エルミート位相図を明らかにするためにさらなるトレーニングを必要とすることなく、エルミート機械学習アルゴリズムを非エルミートモデルに再デプロイできることを示している。 本研究は、エルミート物理学を機械学習の非エルミート現象に活用するための多目的戦略としてトランスファーラーニングを確立した。

関連論文リスト

• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• The power and limitations of learning quantum dynamics incoherently [1.5932228048141346]
  量子プロセス学習は、量子システムを研究する重要なツールとして浮上している。 我々は、単元プロセスの学習におけるサンプルの複雑さを不整合に制限する。 任意の測定が可能であれば、任意の効率的な表現可能なユニタリを非一貫性フレームワーク内で効率的に学習できることを示す。
  論文  参考訳（メタデータ） (2023-03-22T18:00:02Z)
• Topological phase diagrams of exactly solvable non-Hermitian interacting Kitaev chains [0.0]
  北エフ連鎖と相互作用する非エルミート的相互作用について、正確な位相図と数値図の族を示す。 以上の結果から,非ハーミティティーが強化されるにつれて,エルミティアン相の一部が消失することが明らかとなった。
  論文  参考訳（メタデータ） (2023-02-27T07:41:15Z)
• Practical quantum simulation of small-scale non-Hermitian dynamics [10.584549329610134]
  本稿では,拡張法と変分量子アルゴリズムを組み合わせたプロトコルを提案する。 この拡張法は、非エルミートハミルトニアンを特別な量子回路を介してエルミート的ハミルトニアンに変換するために用いられる。 実演として,非局所な非エルミート摂動を持つイジング鎖の力学をシミュレートするために,本プロトコルを適用した。
  論文  参考訳（メタデータ） (2022-11-27T13:33:12Z)
• FiLM-Ensemble: Probabilistic Deep Learning via Feature-wise Linear Modulation [69.34011200590817]
  本稿では,特徴量線形変調の概念に基づく暗黙のアンサンブル手法であるFiLM-Ensembleを紹介する。 単一ディープネットワークのネットワークアクティベーションをFiLMで変調することにより、高多様性のモデルアンサンブルを得る。 我々は、FiLM-Ensembleが他の暗黙のアンサンブル法よりも優れており、ネットワークの明示的なアンサンブルの上限に非常に近いことを示す。
  論文  参考訳（メタデータ） (2022-05-31T18:33:15Z)
• Accessing the topological Mott insulator in cold atom quantum simulators with realistic Rydberg dressing [58.720142291102135]
  本稿では, コールド・ライドバーグ型原子を用いた光学格子の量子シミュレーションの現実的シナリオについて検討する。 本研究では, 平均場近似において, 半次および非共役充填時の位相図の詳細な解析を行う。 さらに、平均場近似における温度に対する相の安定性について検討する。
  論文  参考訳（メタデータ） (2022-03-28T14:55:28Z)
• Spin many-body phases in standard and topological waveguide QED simulators [68.8204255655161]
  導波路QEDセットアップを用いた量子スピンモデルの多体挙動について検討する。 他のプラットフォームで得られたものとは異なる、新しい多体フェーズが見つかる。
  論文  参考訳（メタデータ） (2021-06-22T09:44:20Z)
• Unsupervised machine learning of topological phase transitions from experimental data [52.77024349608834]
  超低温原子からの実験データに教師なし機械学習技術を適用する。 我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。 我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
  論文  参考訳（メタデータ） (2021-01-14T16:38:21Z)
• Unsupervised machine learning of quantum phase transitions using diffusion maps [77.34726150561087]
  本研究では, 測定データの非線形次元減少とスペクトルクラスタリングを行う拡散写像法が, 教師なしの複雑な位相遷移を学習する上で有意なポテンシャルを持つことを示す。 この方法は、局所観測可能量の単一の基底での測定に役立ち、多くの実験的な量子シミュレータに容易に適用できる。
  論文  参考訳（メタデータ） (2020-03-16T18:40:13Z)
• Topological quantum phase transitions retrieved through unsupervised machine learning [2.778293655629716]
  教師なし多様体学習は、運動量および実空間における位相量子相転移をうまく取り出すことができることを示す。 本研究では, 原型的Su-Schefferri-Heeger(SSH)モデル, Qi-Wu-Zhang(QWZ)モデル, 運動量空間における焼成SSHモデルについて示す。
  論文  参考訳（メタデータ） (2020-02-06T17:11:11Z)

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。