論文の概要: Nonlinear functionals of master equation unravelings
- arxiv url: http://arxiv.org/abs/2402.05352v1
- Date: Thu, 8 Feb 2024 02:21:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-09 16:43:26.718108
- Title: Nonlinear functionals of master equation unravelings
- Title(参考訳): 主方程式の非線形汎関数
- Authors: Dustin Keys, Jan Wehr
- Abstract要約: 乱れによって生じる軌道は、崩壊モデルのように、実として扱われることもある。
ここでは2種類の非線形汎函数、すなわち分散とエントロピーを考える。
エントロピーの場合、これらの補正は負であることが示され、リンドブラッド作用素によって導入された局所化が表される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unravelings provide a probabilistic representation of solutions of master
equations and a method of computation of the density operator dynamics. The
trajectories generated by unravelings may also be treated as real -- as in the
stochastic collapse models. While averages of linear functionals of the
unraveling trajectories can be calculated from the master equation, the
situation is different for nonlinear functionals, thanks to the corrections
with nonzero expected values, coming from the It\^o formula. Two types of
nonlinear functionals are considered here: variance, and entropy. The
corrections are calculated explicitly for two types of unravelings, based on
Poisson and Wiener processes. In the case of entropy, these corrections are
shown to be negative, expressing the localization introduced by the Lindblad
operators.
- Abstract(参考訳): unravelingsは、マスター方程式の解の確率的表現と密度作用素ダイナミクスの計算方法を提供する。
乱れによって生じる軌道は、確率的崩壊モデルのように、実数として扱われる。
展開しない軌道の線形汎関数の平均はマスター方程式から計算できるが、I\^o式から得られる非ゼロ期待値の補正により非線形汎関数では状況が異なる。
非線形汎関数には、分散とエントロピーの2種類がある。
補正はポアソン過程とウィーナー過程に基づいて2種類の解法に対して明示的に計算される。
エントロピーの場合、これらの補正は負であることが示され、リンドブラッド作用素によって導入された局在を表す。
関連論文リスト
- Physics-Informed Quantum Machine Learning: Solving nonlinear
differential equations in latent spaces without costly grid evaluations [21.24186888129542]
非線形および多次元微分方程式を解く物理インフォームド量子アルゴリズムを提案する。
DE項の表現である状態間の重なりを測定することにより、格子点上の独立な逐次関数評価を必要としない損失を構築する。
損失が変動的に訓練されると、我々のアプローチは微分可能な量子回路プロトコルと関連付けられる。
論文 参考訳(メタデータ) (2023-08-03T15:38:31Z) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - Dynamical chaos in nonlinear Schr\"odinger models with subquadratic
power nonlinearity [137.6408511310322]
ランダムポテンシャルと準4次パワー非線形性を持つ非線形シュリンガー格子のクラスを扱う。
拡散過程は亜拡散性であり, 微細構造が複雑であることを示す。
二次パワー非線形性の限界も議論され、非局在化境界をもたらすことが示されている。
論文 参考訳(メタデータ) (2023-01-20T16:45:36Z) - Experimental Design for Linear Functionals in Reproducing Kernel Hilbert
Spaces [102.08678737900541]
線形汎関数に対するバイアス認識設計のためのアルゴリズムを提供する。
準ガウス雑音下での固定および適応設計に対する漸近的でない信頼集合を導出する。
論文 参考訳(メタデータ) (2022-05-26T20:56:25Z) - An Operator-Splitting Method for the Gaussian Curvature Regularization
Model with Applications in Surface Smoothing and Imaging [6.860238280163609]
一般ガウス曲率モデルの演算子分割法を提案する。
提案手法は,パラメータの選択,効率,性能に敏感ではない。
論文 参考訳(メタデータ) (2021-08-04T08:59:41Z) - The Connection between Discrete- and Continuous-Time Descriptions of
Gaussian Continuous Processes [60.35125735474386]
我々は、一貫した推定子をもたらす離散化が粗粒化下での不変性を持つことを示す。
この結果は、導関数再構成のための微分スキームと局所時間推論アプローチの組み合わせが、2次または高次微分方程式の時系列解析に役立たない理由を説明する。
論文 参考訳(メタデータ) (2021-01-16T17:11:02Z) - Non-parametric Models for Non-negative Functions [48.7576911714538]
同じ良い線形モデルから非負関数に対する最初のモデルを提供する。
我々は、それが表現定理を認め、凸問題に対する効率的な二重定式化を提供することを証明した。
論文 参考訳(メタデータ) (2020-07-08T07:17:28Z) - Exponentially Weighted l_2 Regularization Strategy in Constructing
Reinforced Second-order Fuzzy Rule-based Model [72.57056258027336]
従来の高木スゲノカン(TSK)型ファジィモデルでは、定数あるいは線形関数がファジィ規則の連続部分として使用されるのが普通である。
調和解析で遭遇する重み関数理論にインスパイアされた指数重みアプローチを導入する。
論文 参考訳(メタデータ) (2020-07-02T15:42:15Z) - Bayesian Hidden Physics Models: Uncertainty Quantification for Discovery
of Nonlinear Partial Differential Operators from Data [0.0]
データから微分方程式のような物理法則を発見するために機械学習モデルを使うことへの関心が高まっている。
ニューラルネットワークとして機能データを管理することを学習する「リーフモジュール」からなる新しいモデルを提案する。
提案手法は,演算子に対する後続分布の観点から学習物理の信頼性を定量化し,この不確実性を新しい初期有界値問題インスタンスの解に伝達する。
論文 参考訳(メタデータ) (2020-06-07T18:48:43Z) - Solving high-dimensional eigenvalue problems using deep neural networks:
A diffusion Monte Carlo like approach [14.558626910178127]
固有値問題は、演算子によって誘導される半群フローの固定点問題として再構成される。
この方法は拡散モンテカルロと同様の精神を持つが、ニューラル・ネットワーク・アンサッツによる固有関数への直接近似を増大させる。
我々の手法はいくつかの数値例で正確な固有値と固有関数の近似を提供することができる。
論文 参考訳(メタデータ) (2020-02-07T03:08:31Z)
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。