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
- Exact Inference for Continuous-Time Gaussian Process Dynamics [6.941863788146731]
実際には、真のシステムはよく知られておらず、測定データから学ぶ必要がある。
ガウス過程(GP)力学モデル学習におけるほとんどの手法は、一段階先進予測に基づいて訓練されている。
このような評価に対して,フレキシブルな推論スキームを導出する方法を示す。
論文 参考訳(メタデータ) (2023-09-05T16:07:00Z) - Predicting rate kernels via dynamic mode decomposition [16.144510246748258]
量子レートプロセスにおけるレートカーネルの評価には動的モード分解を用いる。
本研究は,DMDが従来の伝搬法と比較して正確な結果の予測が可能であることを示唆している。
論文 参考訳(メタデータ) (2023-08-03T09:10:27Z) - Label-free timing analysis of SiPM-based modularized detectors with
physics-constrained deep learning [9.234802409391111]
モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。
本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-24T09:16:31Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳(メタデータ) (2022-11-09T23:40:52Z) - 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) - Coupled and Uncoupled Dynamic Mode Decomposition in Multi-Compartmental
Systems with Applications to Epidemiological and Additive Manufacturing
Problems [58.720142291102135]
非線形問題に適用した場合,動的分解(DMD)は強力なツールである可能性が示唆された。
特に,Covid-19に対する連続遅延SIRDモデルに対する興味深い数値的応用を示す。
論文 参考訳(メタデータ) (2021-10-12T21:42:14Z) - 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) - 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) - 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。