Fugu-MT 論文翻訳(概要): Explaining the Machine Learning Solution of the Ising Model

論文の概要: Explaining the Machine Learning Solution of the Ising Model

arxiv url: http://arxiv.org/abs/2402.11701v1
Date: Sun, 18 Feb 2024 20:47:33 GMT
ステータス: 処理完了
システム内更新日: 2024-02-20 19:34:33.433736
Title: Explaining the Machine Learning Solution of the Ising Model
Title（参考訳）: イジングモデルの機械学習解法を説明する
Authors: Roberto C. Alamino
Abstract要約: パラメーターから結果を説明することはもっとも重要な課題ですここでは、強磁性イジングモデルに対してこれをどのように達成できるかを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As powerful as machine learning (ML) techniques are in solving problems involving data with large dimensionality, explaining the results from the fitted parameters remains a challenging task of utmost importance, especially in physics applications. Here it is shown how this can be accomplished for the ferromagnetic Ising model, the target of many ML studies in the last years. By using a neural network (NN) without any hidden layers and the symmetry of the Hamiltonian to find the critical temperature for the continuous phase transition of the model, an explanation of its strategy is found. This allows the prediction of the minimal extension of the NN to solve the problem when the symmetry is not known, which is also explainable.
Abstract（参考訳）: 機械学習(ML)技術と同様に、大きな次元を持つデータに関わる問題を解く上でも強力であり、パラメータを組み込んだ結果を説明することは、特に物理学的な応用において最も重要な課題である。ここでは、近年の多くのML研究のターゲットである強磁性イジングモデルに対して、これがどのように達成できるかを示す。隠れた層を持たないニューラルネットワーク(NN)とハミルトニアン対称性を用いてモデルの連続相転移の臨界温度を求めることにより、その戦略を説明することができる。これにより、対称性が分かっていないとき、nn の最小拡張の予測が問題を解くことができるが、これも説明できる。

関連論文リスト

Cascade of phase transitions in the training of Energy-based models [9.945465034701288]
原型エネルギーベース生成モデルBernoulli-Bernoulli RBMの特徴符号化過程について検討した。本研究は、その特異値分解によるモデルの重み行列の進化をトラックする。我々はBernoulli-Bernoulli RBMを実データ集合上でトレーニングすることで理論的結果を検証する。
論文参考訳（メタデータ） (2024-05-23T15:25:56Z)
Neural network analysis of neutron and X-ray reflectivity data: Incorporating prior knowledge for tackling the phase problem [141.5628276096321]
本稿では,事前知識を利用して,より大規模なパラメータ空間上でのトレーニングプロセスを標準化する手法を提案する。ボックスモデルパラメータ化を用いた多層構造を含む様々なシナリオにおいて,本手法の有効性を示す。従来の手法とは対照的に,逆問題の複雑性を増大させると,我々の手法は好適にスケールする。
論文参考訳（メタデータ） (2023-06-28T11:15:53Z)
Neural Lumped Parameter Differential Equations with Application in Friction-Stir Processing [2.158307833088858]
Lumpedパラメータ法は、空間的拡張または連続的な物理系の進化を単純化することを目的としている。一般化微分方程式(Universal Differential Equation)の概念に基づいてデータ駆動モデルを構築する。
論文参考訳（メタデータ） (2023-04-18T15:11:27Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
On the Influence of Enforcing Model Identifiability on Learning dynamics of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。本手法はトレーニング中のモデルの識別性を強制する。この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文参考訳（メタデータ） (2022-06-17T07:50:22Z)
Physics-informed neural networks for solving parametric magnetostatic problems [0.45119235878273]
本稿では,設計パラメータの関数として磁場応答を学習する物理インフォームドニューラルネットワークの能力について検討する。我々は、深部ニューラルネットワーク(DNN)を用いて、磁場を空間の関数として表現し、合計10個のパラメータを表現している。
論文参考訳（メタデータ） (2022-02-08T18:12:26Z)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)
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)
Phase Detection with Neural Networks: Interpreting the Black Box [58.720142291102135]
ニューラルネットワーク(NN)は通常、予測の背後にある推論に対する洞察を妨げます。本研究では,1次元拡張スピンレスFermi-Hubbardモデルの位相を半充足で予測するために,NNのブラックボックスをいかに影響関数が解き放つかを示す。
論文参考訳（メタデータ） (2020-04-09T17:45:45Z)
Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
論文参考訳（メタデータ） (2020-02-20T15:43:02Z)

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。