論文の概要: Two mass-imbalanced atoms in a hard-wall trap: Deep learning
integrability of many-body systems
- arxiv url: http://arxiv.org/abs/2402.16244v1
- Date: Mon, 26 Feb 2024 02:09:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 14:55:42.880102
- Title: Two mass-imbalanced atoms in a hard-wall trap: Deep learning
integrability of many-body systems
- Title（参考訳）: ハードウォールトラップにおける2つの質量不均衡原子:多体系の深層学習積分性
- Authors: Liheng Lang and Qichen Lu and C. M. Dai and Xingbo Wei and Yanxia Liu
and Yunbo Zhang
- Abstract要約: 我々は、統合可能システムと非可積分システムの間の遷移点を特定するために畳み込みニューラルネットワークを構築する。
ネットワークの能力の素晴らしい例は、等しい質量の既知可積分の場合から学習することで、新しい可積分質量比を1/3$で識別することである。
ニューラルネットワークのロバスト性は、確率密度画像と波動関数に混ざった標準および量子摂動によってサンプルを生成する逆学習によってさらに強化される。
- 参考スコア（独自算出の注目度）: 2.988602253341921
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The study of integrable systems has led to significant advancements in our
understanding of many-body physics. We design a series of numerical experiments
to analyze the integrability of a mass-imbalanced two-body system through
energy level statistics and deep learning of wavefunctions. The level spacing
distributions are fitted by a Brody distribution and the fitting parameter
$\omega$ is found to separate the integrable and non-integrable mass ratios by
a critical line $\omega=0$. The convolutional neural network built from the
probability density images could identify the transition points between
integrable and non-integrable systems with high accuracy, yet in a much shorter
computation time. A brilliant example of the network's ability is to identify a
new integrable mass ratio $1/3$ by learning from the known integrable case of
equal mass, with a remarkable network confidence of $98.78\%$. The robustness
of our neural networks is further enhanced by adversarial learning, where
samples are generated by standard and quantum perturbations mixed in the
probability density images and the wavefunctions, respectively.
- Abstract（参考訳）: 可積分系の研究は、多体物理学の理解に大きな進展をもたらした。
我々は、エネルギーレベル統計と波動関数の深層学習を通して、質量不均衡な2体系の積分性を分析するための一連の数値実験を設計する。
レベル間隔分布はブロディ分布により適合し、適合パラメータ$\omega$は臨界線$\omega=0$で可積分質量比と非可積分質量比を分離する。
確率密度画像から構築された畳み込みニューラルネットワークは、積分可能系と非可積分系の遷移点を高い精度で特定できるが、計算時間ははるかに短い。
ネットワークの能力の素晴らしい例は、等しい質量の既知の可積分性ケースから学習することで、新しい可積分質量比を1/3$で識別することであり、ネットワークの信頼性は980.78.%である。
ニューラルネットワークのロバスト性は、それぞれ確率密度画像と波動関数で混合された標準摂動と量子摂動によってサンプルを生成する逆学習によってさらに強化される。
関連論文リスト
- Deep Neural Networks as Variational Solutions for Correlated Open
Quantum Systems [0.0]
より強力なモデルで直接密度行列をパラメータ化することで、より良い変分アンザッツ関数が得られることを示す。
本稿では, 散逸的一次元逆場イジングモデルと2次元散逸的ハイゼンベルクモデルについて述べる。
論文 参考訳（メタデータ） (2024-01-25T13:41:34Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳（メタデータ） (2023-08-22T09:11:53Z) - Uncovering Local Integrability in Quantum Many-Body Dynamics [0.0]
完全プログラマブル量子コンピュータの最大124量子ビットを用いて、1次元および2次元周期的に駆動されるスピン格子の局所保存則と積分性を明らかにする。
本研究は,大規模量子コンピュータにおける雑音実験から隠れ力学構造を抽出する多目的戦略を示すものである。
論文 参考訳（メタデータ） (2023-07-14T18:00:05Z) - Finding the Dynamics of an Integrable Quantum Many-Body System via
Machine Learning [0.0]
学習手法を用いて,ガウディン磁石(中心スピンモデル)の力学について検討する。
この直感によって部分的に動機付けられ、モデルハミルトニアンの各変分固有状態に対してニューラル・ネットワーク表現を用いる。
この感受性の効率的な説明を持つことで、量子二段階系の環境と相互作用する量子ビットのキャラクタリゼーションと量子制御手順の改善への扉を開くことができる。
論文 参考訳（メタデータ） (2023-07-06T21:49:01Z) - Computational Complexity of Learning Neural Networks: Smoothness and
Degeneracy [52.40331776572531]
ガウス入力分布下での学習深度3$ReLUネットワークはスムーズな解析フレームワークにおいても困難であることを示す。
この結果は, 局所擬似乱数発生器の存在についてよく研究されている。
論文 参考訳（メタデータ） (2023-02-15T02:00:26Z) - Robustness Certificates for Implicit Neural Networks: A Mixed Monotone
Contractive Approach [60.67748036747221]
暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。
入力逆流の摂動に関して、それらは不安定なままである。
本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
論文 参考訳（メタデータ） (2021-12-10T03:08:55Z) - The Separation Capacity of Random Neural Networks [78.25060223808936]
標準ガウス重みと一様分布バイアスを持つ十分に大きな2層ReLUネットワークは、この問題を高い確率で解くことができることを示す。
我々は、相互複雑性という新しい概念の観点から、データの関連構造を定量化する。
論文 参考訳（メタデータ） (2021-07-31T10:25:26Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - Morphology of three-body quantum states from machine learning [18.56475227525833]
三角量子ビリヤードは可積分あるいは可積分であることを示す。
機械学習ツールを用いて、個々の量子状態の確率分布の特性を解析する。
畳み込みニューラルネットワークは、積分可能かつ非可積分な状態を正しく分類できる。
論文 参考訳（メタデータ） (2021-02-09T17:23:08Z) - Stable Recovery of Entangled Weights: Towards Robust Identification of
Deep Neural Networks from Minimal Samples [0.0]
連続した層の重みを、活性化関数とそのシフトに応じて適切な対角行列と反転行列と絡み合ういわゆる絡み合い重みを紹介します。
エンタングル重みは効率的でロバストなアルゴリズムによって完全かつ安定に近似することが証明される。
本研究は,入力出力情報をネットワークパラメータに一意かつ安定的に関連付けることができ,説明可能性の一形態を提供する。
論文 参考訳（メタデータ） (2021-01-18T16:31:19Z) - Neural Control Variates [71.42768823631918]
ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。
理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。
具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
論文 参考訳（メタデータ） (2020-06-02T11:17:55Z)
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。