論文の概要: Identifying the Group-Theoretic Structure of Machine-Learned Symmetries

• arxiv url: http://arxiv.org/abs/2309.07860v1
• Date: Thu, 14 Sep 2023 17:03:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-15 12:16:08.747405
• Title: Identifying the Group-Theoretic Structure of Machine-Learned Symmetries
• Title（参考訳）: 機械学習対称性の群論的構造同定
• Authors: Roy T. Forestano, Konstantin T. Matchev, Katia Matcheva, Alexander Roman, Eyup B. Unlu, Sarunas Verner
• Abstract要約: 本稿では,そのような機械学習対称性の群理論構造を検証し,同定する手法を提案する。 粒子物理学への応用として、非アベリアゲージ対称性の自発的破壊後の残留対称性の同定を示す。
• 参考スコア（独自算出の注目度）: 41.56233403862961
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning was recently successfully used in deriving symmetry transformations that preserve important physics quantities. Being completely agnostic, these techniques postpone the identification of the discovered symmetries to a later stage. In this letter we propose methods for examining and identifying the group-theoretic structure of such machine-learned symmetries. We design loss functions which probe the subalgebra structure either during the deep learning stage of symmetry discovery or in a subsequent post-processing stage. We illustrate the new methods with examples from the U(n) Lie group family, obtaining the respective subalgebra decompositions. As an application to particle physics, we demonstrate the identification of the residual symmetries after the spontaneous breaking of non-Abelian gauge symmetries like SU(3) and SU(5) which are commonly used in model building.
• Abstract（参考訳）: 近年、深層学習は重要な物理量を保存する対称性変換の導出に成功している。 完全に無知であるため、これらの技術は発見された対称性の同定を後段に延期した。 本稿では,そのような機械学習対称性の群論的構造を調べ,同定する手法を提案する。 我々は、対称性発見の深層学習段階またはその後の処理段階において、サブアルジェブラ構造を調べる損失関数を設計する。 U(n) リー群族(英語版)の例で新しい方法を説明し、各部分代数分解を得る。 粒子物理学への応用として、モデル構築でよく用いられるSU(3)やSU(5)のような非アベリアゲージ対称性の自発的破壊後の残留対称性の同定を示す。

関連論文リスト

• Finding discrete symmetry groups via Machine Learning [0.0]
  物理系における離散対称性群を自動的に発見できる機械学習手法を提案する。 この方法は、システムの物理的性質を保存するパラメータ変換の有限集合を特定する。
  論文  参考訳（メタデータ） (2023-07-25T12:37:46Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• Towards Symmetry-Aware Generation of Periodic Materials [64.21777911715267]
  本稿では,周期構造体の物理対称性を捉える新しい物質生成手法であるSyMatを提案する。 SyMatは、変分オートエンコーダモデルを用いて、原子タイプセット、格子長、格子角を生成することによって、材料の原子タイプと格子を生成する。 我々は,SyMatが材料上のすべての対称性変換に理論的に不変であることを示し,SyMatがランダム生成および特性最適化タスクにおいて有望な性能を達成することを示す。
  論文  参考訳（メタデータ） (2023-07-06T01:05:34Z)
• Oracle-Preserving Latent Flows [58.720142291102135]
  我々はラベル付きデータセット全体にわたって複数の非自明な連続対称性を同時に発見するための方法論を開発する。 対称性変換と対応するジェネレータは、特別に構築された損失関数で訓練された完全連結ニューラルネットワークでモデル化される。 この研究における2つの新しい要素は、縮小次元の潜在空間の使用と、高次元のオラクルに関して不変な変換への一般化である。
  論文  参考訳（メタデータ） (2023-02-02T00:13:32Z)
• Deep Learning Symmetries and Their Lie Groups, Algebras, and Subalgebras from First Principles [55.41644538483948]
  ラベル付きデータセットに存在する連続した対称性群の検出と同定のためのディープラーニングアルゴリズムを設計する。 完全に接続されたニューラルネットワークを用いて、変換対称性と対応するジェネレータをモデル化する。 また,Lie群とその性質の数学的研究に機械学習アプローチを使うための扉を開く。
  論文  参考訳（メタデータ） (2023-01-13T16:25:25Z)
• One-dimensional symmetric phases protected by frieze symmetries [0.0]
  量子スピン鎖の対称性を保護した位相ギャップ位相を1次元のフリーズ空間群の存在下で行列積状態を用いて体系的に研究する。 我々は、17個の異なる非自明な位相を特定し、標準形式を定義し、MPS分析から得られた位相指標と群コホモロジー予測を比較した。
  論文  参考訳（メタデータ） (2022-02-25T18:41:26Z)
• Machine-learning hidden symmetries [0.0]
  本稿では,新しい座標系にのみ現れる隠れ対称性を自動検出する手法を提案する。 その中心となる考え方は、ある偏微分方程式の違反として非対称性を定量化し、すべての可逆変換の空間上のそのような違反を数値的に最小化し、可逆ニューラルネットワークとしてパラメータ化することである。
  論文  参考訳（メタデータ） (2021-09-20T17:55:02Z)
• String order parameters for symmetry fractionalization in an enriched toric code [0.0]
  トリック符号モデルを低次元の対称性で保護された位相状態にデコレーションすることで得られる、対称性に富んだ位相秩序の単純なモデルについて検討する。 このモデルにおける対称性の分数化は弦の順序パラメータによって特徴づけられ、これらのシグネチャは外部の場や相互作用の影響下で頑健であることを示す。
  論文  参考訳（メタデータ） (2020-11-05T17:15:53Z)
• Inverse Learning of Symmetries [71.62109774068064]
  2つの潜在部分空間からなるモデルで対称性変換を学ぶ。 我々のアプローチは、情報ボトルネックと連続的な相互情報正規化器の組み合わせに基づいています。 我々のモデルは, 人工的および分子的データセットにおける最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-02-07T13:48:52Z)

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。