論文の概要: Data-driven 2D stationary quantum droplets and wave propagations in the amended GP equation with two potentials via deep neural networks learning

• arxiv url: http://arxiv.org/abs/2409.02339v1
• Date: Wed, 4 Sep 2024 00:01:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-05 20:51:59.795019
• Title: Data-driven 2D stationary quantum droplets and wave propagations in the amended GP equation with two potentials via deep neural networks learning
• Title（参考訳）: 深部ニューラルネットワーク学習による2つのポテンシャルを持つ修正GP方程式におけるデータ駆動2次元定常量子滴と波動伝播
• Authors: Jin Song, Zhenya Yan,
• Abstract要約: 2次元(2次元)定常量子滴(QD)を解くための体系的深層学習手法を開発する。 2次元修正グロス・ピタエフスキー方程式の波動伝播について,リー・フン・ヤン補正と2種類のポテンシャルを用いて検討した。 学習された定常QDは、物理学インフォームドニューラルネットワーク(PINN)の初期値条件として使われ、ある時空領域における彼らの進化を探索する。
• 参考スコア（独自算出の注目度）: 0.3683202928838613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we develop a systematic deep learning approach to solve two-dimensional (2D) stationary quantum droplets (QDs) and investigate their wave propagation in the 2D amended Gross-Pitaevskii equation with Lee-Huang-Yang correction and two kinds of potentials. Firstly, we use the initial-value iterative neural network (IINN) algorithm for 2D stationary quantum droplets of stationary equations. Then the learned stationary QDs are used as the initial value conditions for physics-informed neural networks (PINNs) to explore their evolutions in the some space-time region. Especially, we consider two types of potentials, one is the 2D quadruple-well Gaussian potential and the other is the PT-symmetric HO-Gaussian potential, which lead to spontaneous symmetry breaking and the generation of multi-component QDs. The used deep learning method can also be applied to study wave propagations of other nonlinear physical models.
• Abstract（参考訳）: 本稿では,2次元定常量子滴(QD)を解くための体系的な深層学習手法を開発し,リー・フアン・ヤン補正と2種類のポテンシャルを持つ2次元修正グロス・ピタエフスキー方程式の波動伝播について検討する。 まず、定常方程式の2次元定常量子滴に対する初期値反復ニューラルネットワーク(IINN)アルゴリズムを用いる。 次に、学習された定常QDを、物理インフォームドニューラルネットワーク(PINN)の初期値条件として使用して、ある時空領域における彼らの進化を探索する。 特に、2次元四重井戸ガウスポテンシャルとPT対称HO-ガウスポテンシャルという2種類のポテンシャルを考えると、自然対称性の破れと多成分QDの生成につながる。 使用した深層学習法は、他の非線形物理モデルの波動伝播の研究にも応用できる。

関連論文リスト

• Topological quantum phase transitions in 2D isometric tensor networks [4.189204855014776]
  本稿では,2次元でISoTNS解決可能なモデルを構築する手順を提案する。 これを、結合次元が$D = 2$のアイソTNS経路を、異なる対称性に富んだ位相相の間を補間することによって説明する。 プログラム可能な量子デバイス上で効率よく実現可能な、正確な線形深度パラメタライズドローカル量子回路を提供する。
  論文  参考訳（メタデータ） (2023-12-08T15:01:44Z)
• Deep learning soliton dynamics and complex potentials recognition for 1D and 2D PT-symmetric saturable nonlinear Schr\"odinger equations [0.43512163406552]
  物理インフォームドニューラルネットワーク(PINN)を拡張して,データ駆動型定常ソリトンと2次元飽和非線形シュリンガー方程式の非定常ソリトンを学習する。
  論文  参考訳（メタデータ） (2023-09-29T14:49:24Z)
• Physics-informed machine learning of redox flow battery based on a two-dimensional unit cell model [1.8147447763965252]
  本稿では,全バナジウムレドックスフローバッテリの性能を予測するために,物理インフォームドニューラルネットワーク(PINN)を提案する。 数値計算の結果,PINNはセル電圧を正確に予測できるが,電位の予測は一定の変化を示す。
  論文  参考訳（メタデータ） (2023-05-31T22:06:30Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• Deep learning of spatial densities in inhomogeneous correlated quantum systems [0.0]
  ランダムポテンシャルに基づいてトレーニングされた畳み込みニューラルネットワークを用いて,密度の予測が可能であることを示す。 我々は,不均一な状況下での干渉と相互作用の相互作用と相転移を伴うモデルの挙動をうまく扱えることを示す。
  論文  参考訳（メタデータ） (2022-11-16T17:10:07Z)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)
• Neural-Network Quantum States for Periodic Systems in Continuous Space [66.03977113919439]
  我々は、周期性の存在下での強い相互作用を持つシステムのシミュレーションのために、神経量子状態の族を紹介する。 一次元系では、基底状態エネルギーと粒子の放射分布関数を非常に正確に推定する。 二つの次元において基底状態エネルギーの優れた推定値を得るが、これはより伝統的な手法から得られる結果に匹敵する。
  論文  参考訳（メタデータ） (2021-12-22T15:27:30Z)
• Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
  分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。 これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
  論文  参考訳（メタデータ） (2021-07-01T01:02:17Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Rectification induced by geometry in two-dimensional quantum spin lattices [58.720142291102135]
  2次元量子スピン鎖におけるスピン整流の発生における幾何学的非対称性の役割に対処する。 我々は、幾何的非対称性と不均一磁場が、XXモデルにおいてもスピン電流の整流を誘導できることを示した。
  論文  参考訳（メタデータ） (2020-12-02T18:10:02Z)

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。