論文の概要: Transfer learning in predicting quantum many-body dynamics: from physical observables to entanglement entropy

• arxiv url: http://arxiv.org/abs/2405.16254v1
• Date: Sat, 25 May 2024 14:32:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-28 22:17:06.211411
• Title: Transfer learning in predicting quantum many-body dynamics: from physical observables to entanglement entropy
• Title（参考訳）: 量子多体ダイナミクス予測における伝達学習-物理観測値から絡み合いエントロピーへ
• Authors: Philipp Schmidt, Florian Marquardt, Naeimeh Mohseni,
• Abstract要約: 本稿では,多体系の物理観測値のサブセットに基づいてトレーニングされたニューラルネットワークの能力について述べる。 特に、トレーニング済みのニューラルネットワークが絡み合いのエントロピーの学習をいかに促進するかに焦点を当てる。
• 参考スコア（独自算出の注目度）: 0.6581635937019595
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep neural networks have demonstrated remarkable efficacy in extracting meaningful representations from complex datasets. This has propelled representation learning as a compelling area of research across diverse fields. One interesting open question is how beneficial representation learning can be for quantum many-body physics, with its notouriosly high-dimensional state space. In this work, we showcase the capacity of a neural network that was trained on a subset of physical observables of a many-body system to partially acquire an implicit representation of the wave function. We illustrate this by demonstrating the effectiveness of reusing the representation learned by the neural network to enhance the learning process of another quantity derived from the quantum state. In particular, we focus on how the pre-trained neural network can enhance the learning of entanglement entropy. This is of particular interest as directly measuring the entanglement in a many-body system is very challenging, while a subset of physical observables can be easily measured in experiments. We show the pre-trained neural network learns the dynamics of entropy with fewer resources and higher precision in comparison with direct training on the entanglement entropy.
• Abstract（参考訳）: ディープニューラルネットワークは、複雑なデータセットから意味のある表現を抽出する際、顕著な効果を示した。 これにより、表現学習は様々な分野にまたがる研究の魅力的な領域として推進されてきた。 興味深いオープンな疑問は、量子多体物理学において、その不規則な高次元状態空間において、表現学習がいかに有益であるかである。 本研究では、多体系の物理観測可能量のサブセットに基づいてトレーニングされたニューラルネットワークの能力を示し、波動関数の暗黙的表現を部分的に取得する。 本稿では、ニューラルネットワークが学習した表現を再利用し、量子状態から派生した別の量の学習プロセスを強化する効果を示す。 特に、トレーニング済みのニューラルネットワークが絡み合いのエントロピーの学習をいかに促進するかに焦点を当てる。 これは、多体系の絡み合いを直接測定することは非常に困難であるが、物理観測装置のサブセットは実験で容易に測定できるため、特に興味深い。 トレーニング済みニューラルネットワークは,エントロピーのエントロピーを直接トレーニングした場合と比較して,少ないリソースと高い精度でエントロピーのダイナミクスを学習することを示す。

関連論文リスト

• Deep Quantum Graph Dreaming: Deciphering Neural Network Insights into Quantum Experiments [0.5242869847419834]
  ニューラルネットワークが量子光学実験で何を学ぶかを調べるために、$inception$または$deep$$dreaming$というテクニックを使用します。 私たちのストーリーは、量子システムの特性に関するディープニューラルネットワークのトレーニングから始まります。 ネットワークは、量子システムの特性の初期分布をシフトすることができ、ニューラルネットワークの学習戦略を概念化できる。
  論文  参考訳（メタデータ） (2023-09-13T16:13:54Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Deep learning of many-body observables and quantum information scrambling [0.0]
  物理オブザーバブルの力学を学習する際のデータ駆動型ディープニューラルネットワークの能力が、量子情報のスクランブルとどのように相関するかを考察する。 ニューラルネットワークを用いて、モデルのパラメータからランダム量子回路における可観測物の進化へのマッピングを求める。 特定のタイプのリカレントニューラルネットワークは、局所的およびスクランブルされた状態の両方でトレーニングされたシステムサイズと時間ウィンドウ内での予測を一般化する上で非常に強力であることを示す。
  論文  参考訳（メタデータ） (2023-02-09T13:14:10Z)
• Scalable approach to many-body localization via quantum data [69.3939291118954]
  多体局在は、量子多体物理学の非常に難しい現象である。 計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。 我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
  論文  参考訳（メタデータ） (2022-02-17T19:00:09Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Deep Learning of Quantum Many-Body Dynamics via Random Driving [0.0]
  量子多体系の力学を予測するための深層学習の力を示す。 ネットワークがトレーニングされたネットワークの3倍の速さで動的に外挿できることを示す。
  論文  参考訳（メタデータ） (2021-05-01T22:46:42Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• Analyzing non-equilibrium quantum states through snapshots with artificial neural networks [0.0]
  現在の量子シミュレーション実験は、以前は到達不可能な状態における非平衡多体力学を探求し始めている。 機械学習技術を用いて,相互作用量子系の力学,特に熱化挙動について検討する。 ニューラルネットワークは熱平衡データと非平衡を区別するように訓練され、ネットワーク性能はシステムの熱化挙動のプローブとして機能する。
  論文  参考訳（メタデータ） (2020-12-21T18:59:21Z)
• Complexity for deep neural networks and other characteristics of deep feature representations [0.0]
  ニューラルネットワークの計算の非線形性を定量化する複雑性の概念を定義する。 トレーニング対象ネットワークとトレーニング対象ネットワークの動的特性の両面から,これらのオブザーバブルについて検討する。
  論文  参考訳（メタデータ） (2020-06-08T17:59:30Z)
• Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
  本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。 アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
  論文  参考訳（メタデータ） (2020-05-08T16:15:47Z)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)

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。