Fugu-MT 論文翻訳(概要): A neural network approach for two-body systems with spin and isospin degrees of freedom

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

A Neural Network Training Method Based on Distributed PID Control [0.0]
前回の記事では、対称微分方程式に基づくニューラルネットワークフレームワークを紹介した。そこで本研究では,チェーンルールの導出ではなく,微分方程式信号の伝搬を利用した学習手法を提案する。
論文参考訳（メタデータ） (2024-11-18T19:25:26Z)
A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
論文参考訳（メタデータ） (2024-09-18T14:57:13Z)
SEF: A Method for Computing Prediction Intervals by Shifting the Error Function in Neural Networks [0.0]
本稿では,このカテゴリに属する新しい手法としてSEF(Shifting the Error Function)法を提案する。提案手法では,1つのニューラルネットワークを3回トレーニングすることで,与えられた問題に対して対応する上境界と下限とを推定する。この革新的なプロセスは、PIを効果的に生成し、不確実性定量化のための堅牢で効率的な技術をもたらす。
論文参考訳（メタデータ） (2024-09-08T19:46:45Z)
Neural Lineage [56.34149480207817]
本稿では,親子間の系統関係の発見を目的としたニューラルライン検出という新しいタスクを提案する。実用上,ニューラルネットワーク表現類似度指標に微調整プロセスの近似を組み込んだ学習自由アプローチを導入する。精度を追求するために,エンコーダと変圧器検出器からなる学習系系統検出装置を導入する。
論文参考訳（メタデータ） (2024-06-17T01:11:53Z)
Manipulating Feature Visualizations with Gradient Slingshots [54.31109240020007]
本稿では,モデルの決定過程に大きな影響を及ぼすことなく,特徴可視化(FV)を操作する新しい手法を提案する。ニューラルネットワークモデルにおける本手法の有効性を評価し,任意の選択したニューロンの機能を隠蔽する能力を示す。
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)
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)
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)
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。