Fugu-MT 論文翻訳(概要): Learning force laws in many-body systems

論文の概要: Learning force laws in many-body systems

arxiv url: http://arxiv.org/abs/2310.05273v1
Date: Sun, 8 Oct 2023 20:12:34 GMT
ステータス: 翻訳完了
システム内更新日: 2023-10-23 04:15:27.575490
Title: Learning force laws in many-body systems
Title（参考訳）: 多体系における学習力則
Authors: Wentao Yu, Eslam Abdelaleem, Ilya Nemenman, Justin C. Burton
Abstract要約: 粉塵プラズマ実験において,機械学習モデルにより強制法則を推論できることが示されている。このモデルの精度は、現在の理論の解決を超えた、ほこりの多いプラズマにおける新しい物理学を示している。
参考スコア（独自算出の注目度）: 2.3875869309951105
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Scientific laws describing natural systems may be more complex than our intuition can handle, and thus how we discover laws must change. Machine learning (ML) models can analyze large quantities of data, but their structure should match the underlying physical constraints to provide useful insight. Here we demonstrate a ML approach that incorporates such physical intuition to infer force laws in dusty plasma experiments. Trained on 3D particle trajectories, the model accounts for inherent symmetries and non-identical particles, accurately learns the effective non-reciprocal forces between particles, and extracts each particle's mass and charge. The model's accuracy (R^2 > 0.99) points to new physics in dusty plasma beyond the resolution of current theories and demonstrates how ML-powered approaches can guide new routes of scientific discovery in many-body systems.
Abstract（参考訳）: 自然システムを記述する科学的法則は、私たちの直観が扱えるものよりも複雑である可能性がある。機械学習(ML)モデルは大量のデータを分析できるが、その構造は基礎となる物理的制約と一致して有用な洞察を提供する必要がある。ここでは, 粉塵プラズマ実験において, 力の法則を推論するための物理的直観を取り入れたML手法を示す。 3d粒子軌道で訓練されたこのモデルは、固有対称性と非同一粒子を考慮し、粒子間の効果的な非相互力を正確に学習し、各粒子の質量と電荷を抽出する。モデルの精度(R^2 > 0.99)は、現在の理論の解決を超えた、ほこり質プラズマにおける新しい物理学を指し、MLによるアプローチが多体系における新しい科学的発見経路をいかに導くかを示している。

関連論文リスト

Quantum walk on a square lattice with identical particles [0.0]
同一粒子の2次元量子ウォークにおける量子重ね合わせ効果について検討した。本研究では, 粒子間距離の拡散速度と2粒子の一致確率などの関節特性に着目した。個々の光子間の$N$-partiteの絡み合いを利用して、集積フォトニック回路を用いてこのモデルを実装する可能性について論じる。
論文参考訳（メタデータ） (2025-04-15T11:33:08Z)
The Diósi-Penrose model of classical gravity predicts gravitationally induced entanglement [0.0]
古典重力のDi'osi-Penrose(DP)モデルの力学は、2つの異なる粒子の機械的自由度を絡み合わせることができることを示す。重力誘起エンタングルメント(GIE)の標準的な実験では、エンタングルメントは、ある制限値$d_c$よりも小さい距離で分離される。
論文参考訳（メタデータ） (2024-11-04T17:14:11Z)
Scientific Machine Learning Seismology [0.0]
科学機械学習(SciML)は、機械学習、特にディープラーニングと物理理論を統合し、複雑な自然現象を理解し予測する学際的な研究分野である。 PINNとニューラル演算子(NO)はSciMLの2つの一般的な方法である。 PINNの使用は、微分方程式の同時解、未決定系の推論、物理学に基づく正規化などの分野に拡大している。
論文参考訳（メタデータ） (2024-09-27T02:27:42Z)
Large language models, physics-based modeling, experimental measurements: the trinity of data-scarce learning of polymer properties [10.955525128731654]
大規模言語モデル(LLM)は、評価、分析、設計のための高速で正確な物質モデリングパラダイムとして約束される。データ不足の病理に対処する物理ベースのトレーニングパイプラインを提案する。
論文参考訳（メタデータ） (2024-07-03T02:57:40Z)
A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文参考訳（メタデータ） (2024-01-26T09:35:17Z)
Single-molecule motion control [0.0]
格子構造内の静電電荷から力を利用して単分子拡散を制御するための玩具モデルを提案する。表面電荷密度は拡散に大きく影響し, クーロン力に類似した線形スケーリングを示す。我々のモデルにより予測された分子軌道は、特に重力支援加速度のような挙動において、惑星運動に類似している。
論文参考訳（メタデータ） (2023-09-26T16:05:49Z)
Accurate machine learning force fields via experimental and simulation data fusion [0.0]
機械学習(ML)ベースの力場は、量子レベルの精度で古典的原子間ポテンシャルのスケールにまたがる能力のために、ますます関心が高まりつつある。ここでは、密度汎関数理論(DFT)計算と実験的に測定された力学特性と格子パラメータの両方を活用して、チタンのMLポテンシャルを訓練する。融合したデータ学習戦略は、全ての対象目標を同時に満たすことができ、結果として、単一のソースデータで訓練されたモデルと比較して高い精度の分子モデルが得られることを実証する。
論文参考訳（メタデータ） (2023-08-17T18:22:19Z)
Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
論文参考訳（メタデータ） (2023-04-27T17:42:24Z)
Physics-informed Information Field Theory for Modeling Physical Systems with Uncertainty Quantification [0.0]
情報場理論(IFT)は、必ずしもガウス的ではない分野の統計を行うために必要なツールを提供する。 IFT を物理インフォームド IFT (PIFT) に拡張し,フィールドを記述する物理法則に関する情報を符号化する。このPIFTから派生した後部は任意の数値スキームとは独立であり、複数のモードをキャプチャすることができる。本手法は,物理が信頼できないことを正確に認識し,その場合,フィールドの学習を回帰問題として自動的に処理する。
論文参考訳（メタデータ） (2023-01-18T15:40:19Z)
Formation of robust bound states of interacting microwave photons [148.37607455646454]
相互作用系の目印の1つは、多粒子境界状態の形成である。我々は,スピン-1/2 XXZモデルの周期量子回路を実装した高忠実度パラメータ化可能なfSimゲートを開発した。マイクロ波光子を隣接量子ビット上に配置することにより、これらの励起の伝播を研究し、最大5個の光子の結合特性を観察する。
論文参考訳（メタデータ） (2022-06-10T17:52:29Z)
Environmental Collapse Models [0.0]
原則として、巨大な粒子のみからなる孤立系は、そのようなモデルで一意的に進化することができた。光子と重力子はユビキタスであり、巨大な粒子から散乱するため、前者の動的崩壊は後者の崩壊を効果的に引き起こす。これらの環境崩壊モデルは、顕微鏡システムにおける量子実験と一致しているかもしれない。
論文参考訳（メタデータ） (2022-06-06T16:11:19Z)
NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。我々はNeuroFluidという2段階の異なるネットワークを提案する。初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
論文参考訳（メタデータ） (2022-03-03T15:13:29Z)
Scalable approach to many-body localization via quantum data [69.3939291118954]
多体局在は、量子多体物理学の非常に難しい現象である。計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
論文参考訳（メタデータ） (2022-02-17T19:00:09Z)
Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文参考訳（メタデータ） (2022-02-17T07:56:46Z)
Dispersive readout of molecular spin qudits [68.8204255655161]
複数の$d > 2$ スピン状態を持つ「巨大」スピンで表される磁性分子の物理を研究する。動作の分散状態における出力モードの式を導出する。キャビティ透過の測定により,クイディットのスピン状態が一意に決定できることがわかった。
論文参考訳（メタデータ） (2021-09-29T18:00:09Z)
Relativistic aspects of orbital and magnetic anisotropies in the chemical bonding and structure of lanthanide molecules [60.17174832243075]
本研究では, 重同族ランタノイドEr2およびTm2分子の電子的およびロ-振動状態について, 最先端相対論的手法を適用して検討した。我々は、91のEr2と36のTm2電子ポテンシャルを2つの基底状態原子に解離させることで、信頼できるスピン軌道と相関による分裂を得ることができた。
論文参考訳（メタデータ） (2021-07-06T15:34:00Z)
BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文参考訳（メタデータ） (2021-06-08T10:14:57Z)
Visualizing spinon Fermi surfaces with time-dependent spectroscopy [62.997667081978825]
固体系において確立されたツールである時間依存性光電子分光法を低温原子量子シミュレーターに応用することを提案する。 1次元の$t-J$モデルの正確な対角化シミュレーションで、スピノンが非占有状態の効率的なバンド構造に出現し始めることを示す。ポンプパルス後のスペクトル関数の依存性はスピノン間の集団的相互作用を明らかにする。
論文参考訳（メタデータ） (2021-05-27T18:00:02Z)
Heuristic machinery for thermodynamic studies of SU(N) fermions with neural networks [1.1910997817688513]
機械学習分析を用いて機械を導入する。我々は、SU($N$)スピン対称性内で相互作用する超低温フェルミオンの密度プロファイルにおける熱力学的研究の導出に機械を用いる。我々の機械学習フレームワークは、SU($N$) フェルミ液体の理論的記述を検証できる可能性を示している。
論文参考訳（メタデータ） (2020-06-25T02:31:55Z)
Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
論文参考訳（メタデータ） (2020-05-08T16:15:47Z)

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。