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
- Kernel Operator-Theoretic Bayesian Filter for Nonlinear Dynamical Systems [25.922732994397485]
本稿では,演算子理論モデリングのための機能的ベイズ的視点に基づく機械学習手法を提案する。
この定式化は、線型作用素の無限次元空間や普遍近似特性を持つヒルベルト空間で直接行われる。
この実践的手法は正確な結果を得ることができ、有限次元クープマン分解より優れることを示す。
論文 参考訳（メタデータ） (2024-10-31T20:31:31Z) - Generalized and new solutions of the NRT nonlinear Schrödinger equation [0.0]
自由粒子に対して、Nobre, Rego-Monteiro, Tsallisによって提唱された非線形シュル「オーディンガー方程式」の新しい解を提案する。
波動関数、補助場、確率密度の解析式は、様々なアプローチを用いて導出される。
論文 参考訳（メタデータ） (2024-10-26T17:02:33Z) - Linearization Turns Neural Operators into Function-Valued Gaussian Processes [23.85470417458593]
ニューラル作用素におけるベイズの不確かさを近似する新しい枠組みを導入する。
我々の手法は関数型プログラミングからカリー化の概念の確率論的類似体と解釈できる。
我々は、異なるタイプの偏微分方程式への応用を通して、我々のアプローチの有効性を示す。
論文 参考訳（メタデータ） (2024-06-07T16:43:54Z) - 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) - Stochastic Langevin Differential Inclusions with Applications to Machine Learning [5.274477003588407]
ランゲヴィン型微分包含物の流動と性質に関する基礎的な結果を示す。
特に、解の存在が強く、また自由エネルギー関数の正準最小化が示される。
論文 参考訳（メタデータ） (2022-06-23T08:29:17Z) - 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) - 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)
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。