論文の概要: Deep learning the nonclassicality within quasi-distribution
representations from marginals
- arxiv url: http://arxiv.org/abs/2312.16055v1
- Date: Tue, 26 Dec 2023 13:56:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 14:57:44.563862
- Title: Deep learning the nonclassicality within quasi-distribution
representations from marginals
- Title(参考訳): 準分布表現における非古典性の深層学習
- Authors: Hong-Bin Chen, Cheng-Hua Liu, Kuan-Lun Lai, Bor-Yann Tseng, Ping-Yuan
Lo, Yueh-Nan Chen, Chi-Hua Yu
- Abstract要約: カラーマッピングと統合された深層生成モデルを用いて,実験データからの負性を伴う準分布を構成する。
我々はまた、標準ハミルトンアンサンブル表現(CHER)の挑戦的な問題に取り組む。
物理インフォームド最適化は, 合成データを用いて訓練しながらも, 非古典性に対する熱ゆらぎの有害な影響を捉えることができる。
- 参考スコア(独自算出の注目度): 1.18749525824656
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To unequivocally distinguish the genuine quantumness from classicality, a
widely adopted approach appeals to the negativity within a join
quasi-distribution representation as a compelling evidence for the nonclassical
essence. However, to construct a joint quasi-distribution with negativity from
experimental data typically proves to be highly cumbersome. Here we propose a
computational approach utilizing a deep generative model integrated with color
mapping to construct the bivariate joint quasi-distribution functions by
processing three marginals. We first apply our model to predict the Wigner
functions subject to thermal noises. Our model successfully predicts the Wigner
functions with a prominent accuracy by processing three marginals of
probability distributions. We also tackle a challenging problem of the
canonical Hamiltonian ensemble representation (CHER), which is developed for
characterizing the dynamical process nonclassicality. Furthermore, we also
design optimal synthetic datasets to train the model for overcoming the
ground-truth deficiency of the CHER problem. While trained with synthetic data,
the physics-informed optimization enables our model to capture the detrimental
effect of the thermal fluctuations on nonclassicality. Our approach also
provides a significant reduction of the experimental efforts of constructing
the Wigner functions of quantum states.
- Abstract(参考訳): 真の量子性と古典性を明確に区別するために、広く採用されているアプローチは、結合準分布表現における負性に対して、非古典的本質の説得力のある証拠としてアピールする。
しかし、実験データから負性のある準分布を構成することは、通常非常に困難であることが証明される。
本稿では,カラーマッピングと統合された深層生成モデルを用いた計算手法を提案する。
まず, 熱雑音を受けるウィグナー関数の予測に本モデルを適用した。
我々のモデルは確率分布の3つの限界を処理し、ワイナー関数を顕著な精度で予測する。
我々はまた、力学過程の非古典性を特徴づけるために開発された標準ハミルトンアンサンブル表現(CHER)の挑戦的な問題に取り組む。
さらに,cher問題の基底欠陥を克服するためのモデル学習のための最適な合成データセットも設計した。
物理インフォームド最適化は,合成データを用いてトレーニングしながら,非古典性に対する熱ゆらぎの有害な影響を捉えることができる。
このアプローチは、量子状態のウィグナー関数を構築する実験的な努力を大幅に削減する。
関連論文リスト
- Conditional Pseudo-Reversible Normalizing Flow for Surrogate Modeling in Quantifying Uncertainty Propagation [11.874729463016227]
付加雑音によって汚染された物理モデルの代理モデルを構築するための条件付き擬似可逆正規化フローを導入する。
トレーニングプロセスは、ノイズと関数に関する事前知識を必要とせずに、入出力ペアからなるデータセットを利用する。
トレーニングされたモデルでは,高い確率領域をトレーニングセットでカバーした条件付き確率密度関数からサンプルを生成することができる。
論文 参考訳(メタデータ) (2024-03-31T00:09:58Z) - Hybrid Square Neural ODE Causal Modeling [6.173397761495849]
ハイブリッドモデルは、機械的ODEベースのダイナミクスと柔軟な表現力のあるニューラルネットワークコンポーネントを組み合わせる。
ハイブリッドモデルがより柔軟になるにつれて、力学モデルによって提供される因果基底が急速に失われることが示される。
私たちはこの情報を因果的損失にエンコードし、標準的な予測的損失と組み合わせて、因果的有効なハイブリッドモデルへの学習をバイアスするハイブリッド損失に到達します。
論文 参考訳(メタデータ) (2024-02-27T06:01:56Z) - Fine-Tuning of Continuous-Time Diffusion Models as Entropy-Regularized
Control [54.132297393662654]
拡散モデルは、自然画像やタンパク質のような複雑なデータ分布を捉えるのに優れている。
拡散モデルはトレーニングデータセットの分布を表現するために訓練されるが、私たちはしばしば、生成された画像の美的品質など他の特性にもっと関心を持っている。
本稿では,本フレームワークが真に報酬の高い多種多様なサンプルを効率よく生成できることを示す理論的,実証的な証拠を示す。
論文 参考訳(メタデータ) (2024-02-23T08:54:42Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳(メタデータ) (2023-11-13T01:48:08Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳(メタデータ) (2023-06-10T08:25:16Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Physics-constrained Bayesian inference of state functions in classical
density-functional theory [0.6445605125467573]
我々は,古典統計力学の逆問題に対する新しいデータ駆動手法を開発した。
我々は, 近似自由エネルギー関数の構成を特徴付ける効率的な学習アルゴリズムを開発した。
我々は、自由エネルギーの観点からモデリングする上で非常に困難である一方、自然界においてユビキタスな体積粒子相互作用を除外することを検討する。
論文 参考訳(メタデータ) (2020-10-07T12:43:42Z) - Learning Partially Known Stochastic Dynamics with Empirical PAC Bayes [12.44342023476206]
本稿では,これらのモデルの予測精度を3段階で向上させる手法を提案する。
実験では、このレシピは、部分的およびノイズの多い事前知識を改良されたモデル適合に効果的に翻訳することを示した。
論文 参考訳(メタデータ) (2020-06-17T14:47:06Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳(メタデータ) (2020-06-11T09:58:01Z) - Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。
また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文 参考訳(メタデータ) (2020-02-20T15:13:27Z)
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。