論文の概要: Lattice real-time simulations with learned optimal kernels

• arxiv url: http://arxiv.org/abs/2310.08053v1
• Date: Thu, 12 Oct 2023 06:01:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-15 11:09:03.727745
• Title: Lattice real-time simulations with learned optimal kernels
• Title（参考訳）: 学習した最適カーネルを用いた格子実時間シミュレーション
• Authors: Daniel Alvestad, Alexander Rothkopf, D\'enes Sexty
• Abstract要約: 本稿では、強化学習にインスパイアされた量子場のリアルタイムダイナミクスのシミュレーション戦略を提案する。 複雑なLangevinアプローチに基づいて構築され、システム固有の事前情報で修正される。
• 参考スコア（独自算出の注目度）: 49.1574468325115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a simulation strategy for the real-time dynamics of quantum fields, inspired by reinforcement learning. It builds on the complex Langevin approach, which it amends with system specific prior information, a necessary prerequisite to overcome this exceptionally severe sign problem. The optimization process underlying our machine learning approach is made possible by deploying inherently stable solvers of the complex Langevin stochastic process and a novel optimality criterion derived from insight into so-called boundary terms. This conceptual and technical progress allows us to both significantly extend the range of real-time simulations in 1+1d scalar field theory beyond the state-of-the-art and to avoid discretization artifacts that plagued previous real-time field theory simulations. Limitations of and promising future directions are discussed.
• Abstract（参考訳）: 本稿では,強化学習に触発された実時間量子力学のシミュレーション戦略を提案する。 これは、システム固有の事前情報によって修正される複雑なランゲヴィンアプローチに基づいており、この非常に厳しいサイン問題を克服するために必要な前提条件である。 機械学習アプローチの基盤となる最適化プロセスは、複雑なランゲヴィン確率過程の本質的に安定な解法と、いわゆる境界項に対する洞察から導かれる新しい最適性基準を配置することによって実現される。 この概念的および技術的進歩により、1+1dスカラー場理論における実時間シミュレーションの範囲を最先端以上のものに拡張し、従来の実時間場理論シミュレーションを悩ませた離散化アーティファクトを避けることができる。 今後の方向性の限界と将来性について論じる。

関連論文リスト

• Accelerate Neural Subspace-Based Reduced-Order Solver of Deformable Simulation by Lipschitz Optimization [9.364019847856714]
  高DOFで物理シミュレーションを高速化する新しい手法として,低次シミュレーションがある。 本稿では,最適化された部分空間マッピングの探索手法を提案する。 準静的シミュレーションと動的シミュレーションの両方において,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-09-05T12:56:03Z)
• Bayesian Simulation-based Inference for Cosmological Initial Conditions [5.954511401622426]
  本稿では,シミュレーションに基づく推論に根ざし,自己回帰モデルにより拡張された多目的ベイズ場再構成アルゴリズムを提案する。 本稿では,概念実証における最初の有望な結果として,時空密度場からの宇宙初期条件の回復について述べる。
  論文  参考訳（メタデータ） (2023-10-30T18:24:25Z)
• Revisiting the Temporal Modeling in Spatio-Temporal Predictive Learning under A Unified View [73.73667848619343]
  UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2023-10-09T16:17:42Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• Physics-informed Deep Super-resolution for Spatiotemporal Data [18.688475686901082]
  ディープ・ラーニングは、粗い粒度のシミュレーションに基づいて科学的データを増やすのに使うことができる。 物理インフォームドラーニングにインスパイアされた、豊かで効率的な時間的超解像フレームワークを提案する。 その結果,提案手法の有効性と効率が,ベースラインアルゴリズムと比較して優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-02T13:57:35Z)
• FEM-based Real-Time Simulations of Large Deformations with Probabilistic Deep Learning [1.2617078020344616]
  負荷下での超弾性体の応答を予測できる高効率なディープラーニングサロゲートフレームワークを提案する。 このフレームワークは、特殊な畳み込みニューラルネットワークアーキテクチャ(いわゆるU-Net)の形式を採っている。
  論文  参考訳（メタデータ） (2021-11-02T20:05:22Z)
• Optimization on manifolds: A symplectic approach [127.54402681305629]
  本稿では、最適化問題を解くための一般的な枠組みとして、ディラックの制約付きハミルトン系理論の散逸拡張を提案する。 我々の(加速された)アルゴリズムのクラスは単純で効率的なだけでなく、幅広い文脈にも適用できる。
  論文  参考訳（メタデータ） (2021-07-23T13:43:34Z)
• GANTL: Towards Practical and Real-Time Topology Optimization with Conditional GANs and Transfer Learning [0.0]
  生成的設計探索のための生成的敵ネットワークに基づく深層学習手法を提案する。 提案手法は,条件付きGANの生成能力と伝達学習手法の知識伝達能力を組み合わせて,未知境界条件に対する最適位相を推定する。
  論文  参考訳（メタデータ） (2021-05-07T03:13:32Z)
• A Dynamical Systems Approach for Convergence of the Bayesian EM Algorithm [59.99439951055238]
  我々は、(離散時間)リアプノフ安定性理論が、必ずしも勾配ベースではない最適化アルゴリズムの分析(および潜在的な設計)において、いかに強力なツールとして役立つかを示す。 本稿では,不完全データベイズフレームワークにおけるパラメータ推定を,MAP-EM (maximum a reari expectation-maximization) と呼ばれる一般的な最適化アルゴリズムを用いて行うことに着目したML問題について述べる。 高速収束(線形あるいは二次的)が達成され,S&Cアプローチを使わずに発表することが困難であった可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-23T01:34:18Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。

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。