論文の概要: A neural network approach for two-body systems with spin and isospin degrees of freedom
- arxiv url: http://arxiv.org/abs/2403.16819v1
- Date: Mon, 25 Mar 2024 14:46:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-27 21:05:08.896811
- Title: A neural network approach for two-body systems with spin and isospin degrees of freedom
- Title(参考訳): スピンとアイソスピン自由度を持つ2体系に対するニューラルネットワークによるアプローチ
- Authors: Chuanxin Wang, Tomoya Naito, Jian Li, Haozhao Liang,
- Abstract要約: 本研究では,2体システムの基底状態を計算するための強化された機械学習手法を提案する。
この方法の妥当性は、重陽子の一意な有界状態を計算することによって検証される。
- 参考スコア(独自算出の注目度): 4.454216126942097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose an enhanced machine learning method to calculate the ground state of two-body systems. Compared to the original method [Naito, Naito, and Hashimoto, Phys. Rev. Research 5, 033189 (2023)], the present method enables one to consider the spin and isospin degrees of freedom by employing a non-fully-connected deep neural network and the unsupervised machine learning technique. The validity of this method is verified by calculating the unique bound state of deuteron.
- Abstract(参考訳): 本研究では,2体システムの基底状態を計算するための強化された機械学習手法を提案する。
本手法は,従来の手法(内藤,内藤,橋本,Phys.Rev. Research 5, 033189 (2023))と比較して,非完全連結深層ニューラルネットワークと教師なし機械学習技術を用いて,スピンとアイソスピンの自由度を考えることができる。
この方法の妥当性は、重陽子の一意な有界状態を計算することによって検証される。
関連論文リスト
- Manipulating Feature Visualizations with Gradient Slingshots [46.20447646518049]
モデルアーキテクチャを変更することなく特徴可視化を操作する新しい手法を提案する。
いくつかのニューラルネットワークモデルにおいて,本手法の有効性を評価し,特定のニューロンの機能を隠す能力を示す。
論文 参考訳(メタデータ) (2024-01-11T18:57:17Z) - Enhanced quantum state preparation via stochastic prediction of neural
network [0.8287206589886881]
本稿では,ニューラルネットワークの知識盲点を生かして,アルゴリズムの有効性を高めるための興味深い道を探る。
本手法は,半導体ダブル量子ドットシステムにおける任意の量子状態の生成に使用される機械学習アルゴリズムを中心にしている。
ニューラルネットワークが生成した予測を活用することにより、最適化プロセスの導出により、局所最適化を回避できる。
論文 参考訳(メタデータ) (2023-07-27T09:11:53Z) - Deep learning neural network for approaching Schr\"odinger problems with
arbitrary two-dimensional confinement [0.0]
本稿では,ニューラルネットワークを用いた自動学習法に基づく2次元シュリンガー方程式へのアプローチを提案する。
これは、解の知識から多くの任意のサンプル問題まで、任意の2次元ポテンシャルに閉じ込められた粒子の基底状態を決定することを目的としている。
論文 参考訳(メタデータ) (2023-04-03T19:48:33Z) - Machine-learning-assisted construction of appropriate rotating frame [0.0]
本稿では,機械学習を用いた解析手法を提案する。
我々は、リカレントニューラルネットワークがFloquet-Magnus拡張を導出できることを実証する。
また,本手法は,他のシステムにおける理論的枠組みの発見にも適用可能であると論じる。
論文 参考訳(メタデータ) (2022-11-28T12:49:47Z) - Zonotope Domains for Lagrangian Neural Network Verification [102.13346781220383]
我々は、ディープニューラルネットワークを多くの2層ニューラルネットワークの検証に分解する。
我々の手法は線形プログラミングとラグランジアンに基づく検証技術の両方により改善された境界を与える。
論文 参考訳(メタデータ) (2022-10-14T19:31:39Z) - Neural Lyapunov Control of Unknown Nonlinear Systems with Stability
Guarantees [4.786698731084036]
本稿では,未知の非線形システムをニューラルネットワークで安定化させ,ニューラルリアプノフ関数を学習するための学習フレームワークを提案する。
未知の非線形システムに対する閉ループ安定性の観点から,提案手法の理論的保証を提供する。
論文 参考訳(メタデータ) (2022-06-04T05:57:31Z) - NeuralEF: Deconstructing Kernels by Deep Neural Networks [47.54733625351363]
従来のNystr"om式に基づく非パラメトリックなソリューションはスケーラビリティの問題に悩まされる。
最近の研究はパラメトリックなアプローチ、すなわち固有関数を近似するためにニューラルネットワークを訓練している。
教師なしおよび教師なしの学習問題の空間に一般化する新たな目的関数を用いて,これらの問題を解くことができることを示す。
論文 参考訳(メタデータ) (2022-04-30T05:31:07Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳(メタデータ) (2022-02-07T12:30:45Z) - Learning Neural Network Subspaces [74.44457651546728]
近年の観測は,ニューラルネットワーク最適化の展望の理解を深めている。
1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
論文 参考訳(メタデータ) (2021-02-20T23:26:58Z) - A Backward SDE Method for Uncertainty Quantification in Deep Learning [9.7140720884508]
本稿では,ニューラルネットワークのクラスを最適制御問題により定式化する確率論的機械学習手法を提案する。
最大原理に基づく効率的な降下アルゴリズムが導入された。
論文 参考訳(メタデータ) (2020-11-28T15:19:36Z) - Feature Purification: How Adversarial Training Performs Robust Deep
Learning [66.05472746340142]
ニューラルネットワークのトレーニングプロセス中に隠れた重みに、特定の小さな密度の混合物が蓄積されることが、敵の例の存在の原因の1つであることを示す。
この原理を説明するために、CIFAR-10データセットの両実験と、ある自然な分類タスクに対して、ランダムな勾配勾配勾配を用いた2層ニューラルネットワークをトレーニングすることを証明する理論的結果を示す。
論文 参考訳(メタデータ) (2020-05-20T16:56:08Z)
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。