論文の概要: Machine learning phase transitions: Connections to the Fisher information

• arxiv url: http://arxiv.org/abs/2311.10710v1
• Date: Fri, 17 Nov 2023 18:59:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-20 13:44:24.043544
• Title: Machine learning phase transitions: Connections to the Fisher information
• Title（参考訳）: 機械学習の位相遷移:フィッシャー情報への接続
• Authors: Julian Arnold, Niels L\"orch, Flemming Holtorf, Frank Sch\"afer
• Abstract要約: 位相遷移の機械学習インジケータは, 系の(量子)フィッシャー情報の平方根を以下から近似することを示した。 古典系および量子系における相転移に対するこれらの境界の質を数値的に示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the widespread use and success of machine-learning techniques for detecting phase transitions from data, their working principle and fundamental limits remain elusive. Here, we explain the inner workings and identify potential failure modes of these techniques by rooting popular machine-learning indicators of phase transitions in information-theoretic concepts. Using tools from information geometry, we prove that several machine-learning indicators of phase transitions approximate the square root of the system's (quantum) Fisher information from below -- a quantity that is known to indicate phase transitions but is often difficult to compute from data. We numerically demonstrate the quality of these bounds for phase transitions in classical and quantum systems.
• Abstract（参考訳）: データから位相遷移を検出する機械学習技術の普及と成功にもかかわらず、その動作原理と基本的な限界は解明されていない。 本稿では,情報理論的な概念における相転移の一般的な機械学習指標を根ざし,内部動作を説明し,これらの手法の潜在的な障害モードを特定する。 情報幾何学のツールを用いて、いくつかの相転移の機械学習指標が、システム(量子)フィッシャー情報の正方根を下から近似していることを証明する。 古典系および量子系における相転移に対するこれらの境界の質を数値的に示す。

関連論文リスト

• Learning and Controlling Silicon Dopant Transitions in Graphene using Scanning Transmission Electron Microscopy [58.51812955462815]
  単層炭素原子上のシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。 データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。 これらの学習された遷移ダイナミクスを利用すれば、格子全体に1つのシリコン原子を誘導し、あらかじめ決定された目標目的地へと導くことができる。
  論文  参考訳（メタデータ） (2023-11-21T21:51:00Z)
• Neural-Network Decoders for Measurement Induced Phase Transitions [0.0]
  観測量子系における測定誘起絡み合い相転移は顕著な例である。 測定結果に基づいて基準量子ビットの状態を決定するニューラルネットワークデコーダを提案する。 エンタングルメント相転移は,デコーダ関数の学習可能性に変化をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-04-22T19:40:26Z)
• Detection of Berezinskii-Kosterlitz-Thouless transition via Generative Adversarial Networks [0.0]
  システム分割の絡み合いスペクトルを用いてGAN(Geneversarative Adrial Network)を訓練する。 異なる1次元モデルでギャップのない位相遷移を同定することができる。
  論文  参考訳（メタデータ） (2021-10-11T16:19:17Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Federated Learning: A Signal Processing Perspective [144.63726413692876]
  フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。 本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-03-31T15:14:39Z)
• Tracing Information Flow from Open Quantum Systems [52.77024349608834]
  我々は導波路アレイに光子を用いて、キュービットと低次元の離散環境とのカップリングの量子シミュレーションを実装した。 量子状態間のトレース距離を情報の尺度として用いて、異なるタイプの情報伝達を分析する。
  論文  参考訳（メタデータ） (2021-03-22T16:38:31Z)
• 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)
• Topological Persistence Machine of Phase Transitions [7.553620028719304]
  トポロジカルデータ分析は、データの形状を特徴付ける新しいフレームワークである。 本研究では、状態の相関関係からデータ形状を構築するための一般的なフレームワーク「トポロジカル永続マシン」を提案する。 古典的XYモデルにおけるベレジンスキー-コステリッツ-Thouless相転移の検出におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-04-07T07:31:42Z)
• 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)

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。