論文の概要: Charge-transport forecasted via deep learning in the photosystem II reaction center
- arxiv url: http://arxiv.org/abs/2405.12232v1
- Date: Sun, 12 May 2024 01:21:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 03:08:05.108025
- Title: Charge-transport forecasted via deep learning in the photosystem II reaction center
- Title（参考訳）: 光系II反応中心における深層学習による電荷輸送予測
- Authors: Zi-Ran Zhao, Shun-Cai Zhao, Yi-Meng Huang,
- Abstract要約: 電荷輸送(CT)の挙動は,ディープラーニングモデルにより長期にわたって予測された。
本研究の意義は、LSTMの範囲と有効性を完全に解明するために、さらなる調査が必要である。
- 参考スコア（独自算出の注目度）: 0.49157446832511503
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting future physical behavior through the limited theoretical simulation data available is an emerging research paradigm resulted by the integration of artificial intelligence technology and quantum physics. In this work, the charge-transport(CT) behavior was forecasted over a long time by a deep learning model, the long short-term memory (LSTM) network with error threshold training method in the photosynthesis II reaction center (PSII-RC). The theoretical simulation data within 8 fs was fed to the modified LSTM network for training, which brings out a distinct prediction with difference of $10^{-4}$ orders of magnitude over a long time period compared to the collection time for training sets. The results indicate the potential of employing LSTM to reveal the physics governing CT in addition to quantum physical methods. The implications of this work warrant further investigation to fully elucidate the scope and efficacy of LSTM for advancing our understanding of photosynthesis at the molecular scale.
- Abstract（参考訳）: 限られた理論シミュレーションデータを通じて将来の物理行動を予測することは、人工知能技術と量子物理学の統合による新たな研究パラダイムである。
本研究では,光合成II反応中心(PSII-RC)における長寿命記憶(LSTM)ネットワークと誤差しきい値学習法により,電荷輸送(CT)の挙動を長期にわたって予測した。
8 fs以内の理論的シミュレーションデータを改良LSTMネットワークに入力し, トレーニングセットの収集時間と比較すると, 10^{-4}=桁違いの差が長時間に渡り, 明らかな予測結果が得られた。
その結果、LSTMを用いて、量子物理法に加えて、CTを制御している物理を解明する可能性が示唆された。
本研究の意義は、分子スケールでの光合成の理解を深めるために、LSTMのスコープと有効性を完全に解明することである。
関連論文リスト
- Enhancing Cognitive Workload Classification Using Integrated LSTM Layers and CNNs for fNIRS Data Analysis [13.74551296919155]
本稿では、ディープラーニングモデルにおける畳み込みニューラルネットワーク(CNN)の有効性に対する長期記憶層の影響について検討する。
LSTMレイヤを統合することで、モデルがfNIRSデータ内の時間的依存関係をキャプチャし、認知状態をより包括的に理解することが可能になる。
論文 参考訳（メタデータ） (2024-07-22T11:28:34Z) - A Novel Quantum LSTM Network [2.938337278931738]
本稿では,量子コンピューティングの原理を従来のLSTMネットワークと統合した量子LSTM(Quantum LSTM)モデルを提案する。
我々のqLSTMモデルは従来のLSTMの限界に対処することを目的としており、より効率的で効率的なシーケンシャルデータ処理のための堅牢なフレームワークを提供する。
論文 参考訳（メタデータ） (2024-06-13T10:26:14Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Classical-to-Quantum Transfer Learning Facilitates Machine Learning with Variational Quantum Circuit [62.55763504085508]
本稿では,変分量子回路(VQC)を用いた古典的量子移動学習アーキテクチャにより,VQCモデルの表現と一般化(推定誤差)が向上することを証明する。
古典-量子遷移学習のアーキテクチャは、事前学習された古典的生成AIモデルを活用し、訓練段階におけるVQCの最適パラメータの発見を容易にする。
論文 参考訳（メタデータ） (2023-05-18T03:08:18Z) - Case study on quantum convolutional neural network scalability [0.0]
中間測定ステップをスキップすることで,処理時間を短縮しつつ,入力データの量を増やすことを目指していた。
この仮説は出力平均二乗誤差(MSE)の観点から部分的に確認されており、古典的畳み込みニューラルネットワーク(CNN)トレーニングの結果0.25から、量子畳み込みニューラルネットワーク(QCNN)トレーニングの結果0.23に低下した。
論文 参考訳（メタデータ） (2022-07-14T18:39:11Z) - The Preliminary Results on Analysis of TAIGA-IACT Images Using
Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。
The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文 参考訳（メタデータ） (2021-12-19T15:17:20Z) - Kinematically consistent recurrent neural networks for learning inverse
problems in wave propagation [0.0]
そこで我々は,新しい運動論的に整合した物理に基づく機械学習モデルを提案する。
特に,波動伝搬における逆問題について物理的に解釈可能な学習を試みる。
控えめなトレーニングデータであっても、このキネマティック一貫性のあるネットワークは、通常のLSTM予測の誤り規範である$L_infty$を、それぞれ約45%と55%削減することができる。
論文 参考訳（メタデータ） (2021-10-08T05:51:32Z) - A Note on Learning Rare Events in Molecular Dynamics using LSTM and
Transformer [4.80427355202687]
近年,低次元反応座標のシミュレーションデータを用いてLSTMによるスローダイナミクスの学習に成功した。
本稿では, 言語モデル学習の性能, すなわち反応座標の次元性, 時間分解能, 状態分割の3つの重要な要因について述べる。
論文 参考訳（メタデータ） (2021-07-14T09:26:36Z) - 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) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。
本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。
実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
論文 参考訳（メタデータ） (2020-07-31T17:25:12Z)
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。