論文の概要: Forecasting Long-Time Dynamics in Quantum Many-Body Systems by Dynamic Mode Decomposition
- arxiv url: http://arxiv.org/abs/2403.19947v1
- Date: Fri, 29 Mar 2024 03:10:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-01 16:34:41.930821
- Title: Forecasting Long-Time Dynamics in Quantum Many-Body Systems by Dynamic Mode Decomposition
- Title(参考訳): 動的モード分解による量子多体系の長期ダイナミクス予測
- Authors: Ryui Kaneko, Masatoshi Imada, Yoshiyuki Kabashima, Tomi Ohtsuki,
- Abstract要約: そこで本研究では,身体量の短時間データの信頼性を利用して,長時間の挙動を正確に予測する手法を提案する。
この方法は流体力学で一般的に用いられる動的モード分解(DMD)に基づいている。
本手法により,短時間のトレーニングデータよりも1桁近い精度の予測が可能であることが実証された。
- 参考スコア(独自算出の注目度): 6.381013699474244
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Numerically computing physical quantities of time-evolved states in quantum many-body systems is a challenging task in general. Here, we propose a method that utilizes reliable short-time data of physical quantities to accurately forecast long-time behavior. The method is based on the dynamic mode decomposition (DMD), which is commonly used in fluid dynamics. The effectiveness and applicability of the DMD in quantum many-body systems such as the Ising model in the transverse field at the critical point are studied, even when the input data exhibits complicated features such as multiple oscillatory components and a power-law decay with long-ranged quantum entanglements unlike fluid dynamics. It is demonstrated that the present method enables accurate forecasts at time as long as nearly an order of magnitude longer than that of the short-time training data. Effects of noise on the accuracy of the forecast are also investigated, because they are important especially when dealing with the experimental data. We find that a few percent of noise does not affect the prediction accuracy destructively.
- Abstract(参考訳): 量子多体系における時間進化状態の物理量の数値計算は、一般に難しい課題である。
本稿では,身体量の短時間データの信頼性を利用して,長時間の挙動を正確に予測する手法を提案する。
この方法は流体力学で一般的に用いられる動的モード分解(DMD)に基づいている。
臨界点における横場におけるイジングモデルのような量子多体系におけるDMDの有効性と適用性について検討し、入力データが流体力学と異なり、複数の振動成分や長い配列の量子絡み合いを持つパワーロー崩壊のような複雑な特徴を示す場合であっても検討する。
本手法により,短時間のトレーニングデータよりも1桁近い精度の予測が可能であることが実証された。
また, 騒音が予測精度に及ぼす影響についても検討した。
数パーセントのノイズが予測精度に破壊的影響を与えないことが判明した。
関連論文リスト
- Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks [0.0]
本稿では,物理インフォームドニューラルネットワーク(PINN)を用いた力学系の同定と推定について検討する。
PINNは、既知の物理法則をニューラルネットワークの損失関数に直接埋め込むことによって、複雑な現象の単純な埋め込みを可能にするユニークな利点を提供する。
その結果、PINNは上記のすべてのタスクに対して、たとえモデルエラーがあっても、効率的なツールを提供することを示した。
論文 参考訳(メタデータ) (2024-10-02T08:58:30Z) - Ab-initio variational wave functions for the time-dependent many-electron Schrödinger equation [41.94295877935867]
平均場近似を超越したフェルミオン時間依存波動関数に対する変動的アプローチを提案する。
ニューラルネットワークのパラメータ化によって拡張された時間依存のJastrow因子とバックフロー変換を使用します。
この結果は、時間進化を正確に捉え、相互作用する電子系の量子力学に関する洞察を与える、我々の変分的アプローチの能力を示している。
論文 参考訳(メタデータ) (2024-03-12T09:37:22Z) - Universality of critical dynamics with finite entanglement [68.8204255655161]
臨界近傍の量子系の低エネルギー力学が有限絡みによってどのように変化するかを研究する。
その結果、時間依存的臨界現象における絡み合いによる正確な役割が確立された。
論文 参考訳(メタデータ) (2023-01-23T19:23:54Z) - Dynamics with autoregressive neural quantum states: application to
critical quench dynamics [41.94295877935867]
本稿では、量子系の長時間のダイナミクスを安定的に捉えるための代替の汎用スキームを提案する。
二次元量子イジングモデルにおけるキブル・ズレーク機構の解明により,時間依存性のクエンチ力学にこのスキームを適用した。
論文 参考訳(メタデータ) (2022-09-07T15:50:00Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳(メタデータ) (2021-08-09T18:00:05Z) - Scaling of temporal entanglement in proximity to integrability [0.0]
積分可能なFloquetモデルのファミリの正確なIMを解析的に計算する。
IMは,全てのパラメータ値に対して時間的絡み合い尺度を示す。
臨界付近では、時間的絡み合いの非自明なスケーリング挙動が見られる。
論文 参考訳(メタデータ) (2021-04-15T17:16:57Z) - Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。
我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文 参考訳(メタデータ) (2021-03-23T09:32:06Z) - Physics-aware, probabilistic model order reduction with guaranteed
stability [0.0]
実効, 低次元, 粗粒度ダイナミクスモデル学習のための生成的枠組みを提案する。
粒子力学のマルチスケール物理系におけるその有効性と精度を実証する。
論文 参考訳(メタデータ) (2021-01-14T19:16:51Z) - Bridging the Gap Between the Transient and the Steady State of a
Nonequilibrium Quantum System [58.720142291102135]
非平衡の多体量子系は、多体物理学のフロンティアの1つである。
直流電場における強相関電子に関する最近の研究は、系が連続した準熱状態を経て進化することを示した。
我々は、短時間の過渡計算を用いて遅延量を求める補間スキームを実証する。
論文 参考訳(メタデータ) (2021-01-04T06:23:01Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z)
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。