論文の概要: Detecting subtle macroscopic changes in a finite temperature classical scalar field with machine learning

• arxiv url: http://arxiv.org/abs/2311.12303v1
• Date: Tue, 21 Nov 2023 02:45:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 02:19:47.899241
• Title: Detecting subtle macroscopic changes in a finite temperature classical scalar field with machine learning
• Title（参考訳）: 機械学習による有限温度古典スカラー場における微視的変化の検出
• Authors: Jiming Yang, Yutong Zheng, Jiahong Zhou, Huiyu Li, Jun Yin
• Abstract要約: 本研究は多体系における微妙なマクロな変化を検出するための玩具モデルである。 物理法,統計法,AI法など,様々な微分法の比較を行った。 以上の結果から,AI法は統計的手法と物理法の両方を感度で上回っていることが示唆された。
• 参考スコア（独自算出の注目度）: 4.338046424969693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ability to detect macroscopic changes is important for probing the behaviors of experimental many-body systems from the classical to the quantum realm. Although abrupt changes near phase boundaries can easily be detected, subtle macroscopic changes are much more difficult to detect as the changes can be obscured by noise. In this study, as a toy model for detecting subtle macroscopic changes in many-body systems, we try to differentiate scalar field samples at varying temperatures. We compare different methods for making such differentiations, from physics method, statistics method, to AI method. Our finding suggests that the AI method outperforms both the statistical method and the physics method in its sensitivity. Our result provides a proof-of-concept that AI can potentially detect macroscopic changes in many-body systems that elude physical measures.
• Abstract（参考訳）: マクロな変化を検出する能力は、実験的な多体系の挙動を古典から量子領域へ探究するために重要である。 位相境界付近の急激な変化は容易に検出できるが、微妙なマクロ的な変化はノイズによって見えなくなるため、より検出が難しい。 本研究では,多体系における微妙な巨視的変化を検出するための玩具モデルとして,温度の異なるスカラー場標本の識別を試みる。 物理法,統計法,AI法など,様々な微分法の比較を行った。 以上の結果から,AI法は統計的手法と物理法の両方を感度で上回っていることが示唆された。 この結果から,AIが身体的測定を不要とする多体システムにおけるマクロな変化を検出できるという概念実証が得られた。

関連論文リスト

• Learning force laws in many-body systems [2.185577978806931]
  我々は、機械学習モデルが、ほこりっぽいプラズマの力の法則を推測する方法を示す。 このモデルは固有対称性、非恒等粒子を考慮し、正確な精度で粒子間の効果的な非相互力を学ぶ。 実験データから新しい物理を識別する能力は、MLを利用したアプローチが、多体システムにおける新しい科学的発見経路をどのように導くかを示す。
  論文  参考訳（メタデータ） (2023-10-08T20:12:34Z)
• Unsupervised Learning of Invariance Transformations [105.54048699217668]
  近似グラフ自己同型を見つけるためのアルゴリズムフレームワークを開発する。 重み付きグラフにおける近似自己同型を見つけるために、このフレームワークをどのように利用できるかについて議論する。
  論文  参考訳（メタデータ） (2023-07-24T17:03:28Z)
• Domain adaptation using optimal transport for invariant learning using histopathology datasets [13.133231212085988]
  病理組織学は癌を含む多くの疾患の診断に重要である。 計算技術はバッチ効果によって制限され、準備プロトコルやスキャナの違いのような技術的な要素がスライドの外観を変える。 そこで本研究では,未確認施設のデータに対する組織モデルの一般化を改善するための領域適応手法を提案する。
  論文  参考訳（メタデータ） (2023-03-03T22:19:19Z)
• Learning Transformations To Reduce the Geometric Shift in Object Detection [60.20931827772482]
  画像キャプチャプロセスの変動から生じる幾何シフトに対処する。 我々は、これらのシフトを最小限に抑えるために幾何変換の集合を学習する自己学習アプローチを導入する。 我々は,カメラの視野変化(FoV)と視点変化(視点変化)の2つの異なるシフトについて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-01-13T11:55:30Z)
• Unsupervised Anomaly and Change Detection with Multivariate Gaussianization [8.508880949780893]
  データの高次元性を考えると、異常検出は難しい問題である。 本稿では,リモートセンシング画像の異常や変化を検出する教師なし手法を提案する。 異常検出と変化検出の両方を含む実験において,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-04-12T10:52:33Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• E-detectors: a nonparametric framework for sequential change detection [86.15115654324488]
  逐次的変化検出のための基本的かつ汎用的なフレームワークを開発する。 私たちの手順は、平均走行距離のクリーンで無症状な境界が伴います。 統計的および計算効率の両方を達成するために,これらの混合物を設計する方法を示す。
  論文  参考訳（メタデータ） (2022-03-07T17:25:02Z)
• Score-Based Change Detection for Gradient-Based Learning Machines [9.670556223243182]
  本稿では,経験的リスク最小化により学習した機械学習モデルの任意のコンポーネント数の変化を検出できる汎用的なスコアベース変化検出手法を提案する。 仮説テストの整合性を確立し、所定の誤報率を達成するためにそれを校正する方法を示す。
  論文  参考訳（メタデータ） (2021-06-27T01:38:11Z)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• 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)
• Online Change Point Detection in Molecular Dynamics With Optical Random Features [4.060951302219144]
  そこで本研究では,光学ハードウェアを用いてリアルタイムに変化を識別するアルゴリズムを提案する。 我々の方法は、タンパク質の背景とタンパク質自体を区別する必要がない。 多数の機能を持つ他のシーケンシャルデータにおける変更点の検出にも使用することができる。
  論文  参考訳（メタデータ） (2020-06-15T19:07:57Z)

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。