論文の概要: Time series prediction of open quantum system dynamics

• arxiv url: http://arxiv.org/abs/2401.06380v1
• Date: Fri, 12 Jan 2024 05:02:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 20:19:02.176593
• Title: Time series prediction of open quantum system dynamics
• Title（参考訳）: オープン量子システムダイナミクスの時系列予測
• Authors: Zhao-Wei Wang and Zhao-Ming Wang
• Abstract要約: 時系列予測(TSP)は、生命科学や金融など様々な分野で、将来のトレンドを予測するために広く利用されている。 我々は、深層学習技術を用いて、TSPモデルを訓練し、その性能を正確な解と比較して評価する。 本研究は,短期・長期の予測において,時系列の固有特性を効果的に把握する能力を有することを示す。
• 参考スコア（独自算出の注目度）: 1.0521195067086913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series prediction (TSP) has been widely used in various fields, such as life sciences and finance, to forecast future trends based on historical data. However, to date, there has been relatively little research conducted on the TSP for quantum physics. In this paper, we explore the potential application of TSP in forecasting the dynamical evolution of open quantum systems. We employ deep learning techniques to train a TSP model and evaluate its performance by comparison with exact solution. We use the ratio of the prediction step length and the sequence length to define short and long-term forecasting. Our results show that the trained model has the ability to effectively capture the inherent characteristics of time series for both short-term and long-term forecasting. Accurate predictions for different coupling intensities and initial states are obtained. Furthermore, we use our method to train another model and find that it can successfully predict the steady state of the system. These findings suggests that TSP is a valuable tool for the prediction of the dynamics in open quantum systems.
• Abstract（参考訳）: 時系列予測 (TSP) は, 生命科学や金融など様々な分野において, 歴史データに基づく今後のトレンド予測に広く利用されている。 しかし、これまでTSPに関する量子物理学の研究はほとんど行われていない。 本稿では,オープン量子系の動的進化予測におけるTSPの適用の可能性について検討する。 我々は、深層学習技術を用いて、TSPモデルを訓練し、その性能を正確な解と比較して評価する。 予測ステップ長とシーケンス長の比率を用いて,短期および長期予測を定義する。 本研究は,短期・長期の予測において,時系列の固有特性を効果的に把握する能力を有することを示す。 異なる結合強度と初期状態の正確な予測値を得る。 さらに,本手法を用いて他モデルの学習を行い,システムの定常状態の予測に有効であることを示す。 これらの結果は、TSPがオープン量子系の力学を予測するための貴重なツールであることを示唆している。

関連論文リスト

• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Koopman Invertible Autoencoder: Leveraging Forward and Backward Dynamics for Temporal Modeling [13.38194491846739]
  我々は、Koopman Invertible Autoencoders (KIA) と呼ぶ、Koopman演算子理論に基づく新しい機械学習モデルを提案する。 KIAは、無限次元ヒルベルト空間における前方と後方のダイナミクスをモデル化することによって、システムの固有の特性を捉えている。 これにより,低次元表現を効率よく学習し,長期システムの挙動をより正確に予測することが可能になる。
  論文  参考訳（メタデータ） (2023-09-19T03:42:55Z)
• Data-driven Quantum Dynamical Embedding Method for Long-term Prediction on Near-term Quantum Computers [4.821462994335231]
  量子力学埋め込み(QDE)を用いた長期時系列予測のためのデータ駆動手法を提案する。 このアプローチにより、トレーニング可能なデータ空間の拡張状態空間への埋め込みが可能になる。 このモデルは、超伝導量子プロセッサのOrigin 'Wukong'に実装する。
  論文  参考訳（メタデータ） (2023-05-25T12:12:49Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Time Series Forecasting with Ensembled Stochastic Differential Equations Driven by L\'evy Noise [2.3076895420652965]
  我々は、ニューラルネットワークを備えたSDEの集合を用いて、ノイズのある時系列の長期的な傾向を予測する。 まず、位相空間再構成法を用いて時系列データの固有次元を抽出する。 次に、$alpha$-stable L'evyの動作によって駆動されるSDEを探索し、時系列データをモデル化し、ニューラルネットワーク近似を用いて問題を解く。
  論文  参考訳（メタデータ） (2021-11-25T16:49:01Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Learning Accurate Long-term Dynamics for Model-based Reinforcement Learning [7.194382512848327]
  より長い地平線で安定的に予測するために, 状態作用データに対する教師付き学習のための新しいパラメータ化を提案する。 シミュレーションおよび実験によるロボット作業の結果,軌道に基づくモデルにより,より正確な長期予測が得られた。
  論文  参考訳（メタデータ） (2020-12-16T18:47:37Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Spatiotemporal Adaptive Neural Network for Long-term Forecasting of Financial Time Series [0.2793095554369281]
  本稿では,ディープニューラルネットワーク(DNN)が時系列予測(TS)の同時予測に利用できるかどうかを検討する。 動的因子グラフ(DFG)を用いて多変量自己回帰モデルを構築する。 ACTMでは、TSモデルの自己回帰順序を時間とともに変化させ、より大きな確率分布をモデル化することができる。
  論文  参考訳（メタデータ） (2020-03-27T00:53:11Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。