論文の概要: Machine learning topological energy braiding of non-Bloch bands

• arxiv url: http://arxiv.org/abs/2408.01141v1
• Date: Fri, 2 Aug 2024 09:37:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-05 13:47:29.406525
• Title: Machine learning topological energy braiding of non-Bloch bands
• Title（参考訳）: 非ブロックバンドの機械学習トポロジカルエネルギーブレイディング
• Authors: Shuwei Shi, Shibing Chu, Yuee Xie, Yuanping Chen,
• Abstract要約: 教師なしおよび教師なし手法を用いて1次元非エルミート系における非ブロックエネルギーのブレイディングについて検討する。 教師なし学習では、拡散マップを用いて、事前知識のない非ブロックエネルギーブレイディングの同定に成功した。 教師付き学習では,ブロッホエネルギーデータに基づく畳み込みニューラルネットワーク(CNN)を訓練し,100%の精度で非ブロッホエネルギーブレイディングを予測する。
• 参考スコア（独自算出の注目度）: 4.092774261312101
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning has been used to identify phase transitions in a variety of physical systems. However, there is still a lack of relevant research on non-Bloch energy braiding in non-Hermitian systems. In this work, we study non-Bloch energy braiding in one-dimensional non-Hermitian systems using unsupervised and supervised methods. In unsupervised learning, we use diffusion maps to successfully identify non-Bloch energy braiding without any prior knowledge and combine it with k-means to cluster different topological elements into clusters, such as Unlink and Hopf link. In supervised learning, we train a Convolutional Neural Network (CNN) based on Bloch energy data to predict not only Bloch energy braiding but also non-Bloch energy braiding with an accuracy approaching 100%. By analysing the CNN, we can ascertain that the network has successfully acquired the ability to recognise the braiding topology of the energy bands. The present study demonstrates the considerable potential of machine learning in the identification of non-Hermitian topological phases and energy braiding.
• Abstract（参考訳）: 機械学習は様々な物理系の相転移を識別するために使われてきた。 しかしながら、非エルミート系における非ブロックエネルギーブレイディングに関する関連する研究はいまだに存在しない。 本研究では,教師なしおよび教師なし手法を用いて,一次元非エルミート系における非ブロックエネルギーのブレイディングについて検討する。 教師なし学習では、拡散マップを用いて、事前の知識なしに非ブロックエネルギーブレイディングを識別し、それをk平均と組み合わせて異なる位相要素をアンリンクやホップリンクのようなクラスタにクラスタ化する。 教師付き学習では、Blochエネルギーデータに基づく畳み込みニューラルネットワーク(CNN)を訓練し、Blochエネルギーブレイディングだけでなく、100%の精度で非Blochエネルギーブレイディングを予測する。 CNNを解析することにより、ネットワークがエネルギーバンドのブレイディングトポロジを認識できることを確認することができる。 本研究では,非エルミート位相位相とエネルギーブレイディングの同定における機械学習の可能性を示す。

関連論文リスト

• Towards Certified Unlearning for Deep Neural Networks [50.816473152067104]
  認定されていない未学習は、凸機械学習モデルで広く研究されている。 認定アンラーニングとディープニューラルネットワーク(DNN)のギャップを埋める手法をいくつか提案する。
  論文  参考訳（メタデータ） (2024-08-01T21:22:10Z)
• Potential Energy based Mixture Model for Noisy Label Learning [9.7527450662978]
  ノイズの多いラベルからディープニューラルネットワーク(DNN)をトレーニングすることは、重要かつ困難な作業である。 雑音ラベル学習のための新しいポテンシャルエネルギーベース混合モデル(PEMM)を提案する。 いくつかの実世界のデータセット上で,提案モデルの有効性を解析するための広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-05-02T11:19:57Z)
• Energy Transformer [64.22957136952725]
  我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。 本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-14T18:51:22Z)
• Topological energy braiding of the non-Bloch bands [9.074145795169967]
  我々は1次元の非エルミート強結合モデルを導入することにより、非ブロッホ帯のエネルギーブレイディングを明らかにする。 ホップリンクのようなトポロジカルな非ブロッホバンドの全く新しいクラスが見つかる。 我々は、非ヘルミタン系のための非ブロック帯のトポロジカルエネルギーブレイディングに光を当てられることを願っている。
  論文  参考訳（メタデータ） (2022-04-27T11:40:07Z)
• A random energy approach to deep learning [0.09137554315375918]
  学習中に各層が臨界点に近づいた場合にのみ,可視層から深層への統計的依存が伝播可能であることを示す。 効率よく訓練された学習機械は エネルギーレベルが広く分布しているのが特徴です
  論文  参考訳（メタデータ） (2021-12-17T10:31:37Z)
• Adversarial Energy Disaggregation for Non-intrusive Load Monitoring [78.47901044638525]
  非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)としても知られるエネルギー分散は、家庭全体の電力消費を家電固有の個人消費に分けるという問題に挑戦する。 近年の進歩は、ディープニューラルネットワーク(DNN)がNILMに有利な性能を得られることを示している。 我々は、エネルギー分散タスクに新しくなったNILMに、敵対的学習の考え方を導入する。
  論文  参考訳（メタデータ） (2021-08-02T03:56:35Z)
• Decoding conformal field theories: from supervised to unsupervised learning [0.0]
  機械学習を用いて、合理的な2次元共形場の理論を分類する。 機械はいくつかの強い相関を持つスピンモデルの臨界点の性質と値を正確に予測できる。
  論文  参考訳（メタデータ） (2021-06-25T07:58:08Z)
• From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks [71.23327876898816]
  フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。 我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
  論文  参考訳（メタデータ） (2020-06-07T05:11:18Z)
• Quantum-inspired Machine Learning on high-energy physics data [0.0]
  CERNの大型ハドロン衝突型加速器が生成するデータの分析と分類に量子インスパイアされた機械学習技術を適用した。 特に、いわゆるb-ジェットを効果的に分類する方法、陽子-陽子実験からb-クォークを起源とするジェット、および分類結果の解釈方法について述べる。
  論文  参考訳（メタデータ） (2020-04-28T18:00:12Z)
• Phase Detection with Neural Networks: Interpreting the Black Box [58.720142291102135]
  ニューラルネットワーク(NN)は通常、予測の背後にある推論に対する洞察を妨げます。 本研究では,1次元拡張スピンレスFermi-Hubbardモデルの位相を半充足で予測するために,NNのブラックボックスをいかに影響関数が解き放つかを示す。
  論文  参考訳（メタデータ） (2020-04-09T17:45:45Z)
• Byzantine-resilient Decentralized Stochastic Gradient Descent [85.15773446094576]
  分散学習システムのビザンチンレジリエンスに関する詳細な研究について述べる。 ビザンチンフォールトトレランスを用いた分散学習を支援する新しいアルゴリズムUBARを提案する。
  論文  参考訳（メタデータ） (2020-02-20T05:11:04Z)

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。