論文の概要: Time evolving matrix product operator (TEMPO) method in a non-diagonal basis set based on derivative of the path integral expression

• arxiv url: http://arxiv.org/abs/2410.23877v1
• Date: Thu, 31 Oct 2024 12:38:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 17:00:04.900691
• Title: Time evolving matrix product operator (TEMPO) method in a non-diagonal basis set based on derivative of the path integral expression
• Title（参考訳）: 経路積分表現の微分に基づく非対角基底集合における時間発展行列積演算子(TEMPO)法
• Authors: Shuocang Zhang, Qiang Shi,
• Abstract要約: 時間進化行列積演算子(TEMPO)法は、オープンシステム量子力学をシミュレートするための強力なツールである。 本研究では,TEMPOアルゴリズムを任意の基底集合に拡張することにより,外対角結合に関わる問題に対処することを目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The time-evolving matrix product operator (TEMPO) method is a powerful tool for simulating open system quantum dynamics. Typically, it is used in problems with diagonal system-bath coupling, where analytical expressions for discretized influence functional are available. In this work, we aim to address issues related to off-diagonal coupling by extending the TEMPO algorithm to accommodate arbitrary basis sets. The proposed approach is based on computing the derivative of the discretized path integral expression of a generalized influence functional when increasing one time step, which yields an equation of motion valid for non-diagonal basis set and arbitrary number of non-commuting baths. The generalized influence functional is then obtained by integrating the resulting differential equation. Applicability of the the new method is then tested by simulating one- and two- qubit systems coupled to both Z- and X-type baths.
• Abstract（参考訳）: 時間進化行列積演算子(TEMPO)法は、オープンシステム量子力学をシミュレートするための強力なツールである。 典型的には、識別された影響関数の解析式が利用できる対角系-バス結合の問題に用いられる。 本研究では,TEMPOアルゴリズムを任意の基底集合に拡張することにより,外対角結合に関わる問題に対処することを目的とする。 提案手法は,非対角基底集合に有効な運動方程式と任意の数の非可換浴を導出する一般化影響関数の離散化経路積分表現の導出に基づく。 一般化された影響関数は、結果の微分方程式を統合することによって得られる。 提案手法の適用性は,Z型とX型の両方に結合した1量子および2量子系のシミュレーションにより検証される。

関連論文リスト

• Harmonic Path Integral Diffusion [0.4527270266697462]
  本稿では,連続多変量確率分布から抽出する新しい手法を提案する。 本手法では,状態空間の起点を中心とするデルタ関数を$t=0$とし,ターゲット分布に$t=1$で変換する。 これらのアルゴリズムは他のサンプリング手法、特にシミュレートおよびパス積分サンプリングと対比し、解析制御、精度、計算効率の点でそれらの利点を強調した。
  論文  参考訳（メタデータ） (2024-09-23T16:20:21Z)
• A Physics-Informed Machine Learning Approach for Solving Distributed Order Fractional Differential Equations [0.0]
  本稿では,物理インフォームド機械学習フレームワークを用いた分散次分数差分方程式の解法を提案する。 分散階関数式をSVRフレームワークに組み込むことで、物理法則を直接学習プロセスに組み込む。 提案手法の有効性は,Caputo-based distributed-order fractional differential equationsの数値実験を通じて検証した。
  論文  参考訳（メタデータ） (2024-09-05T13:20:10Z)
• Accelerating Fractional PINNs using Operational Matrices of Derivative [0.24578723416255746]
  本稿では,分数次物理学情報ニューラルネットワーク(fPINN)の学習を高速化する新しい演算行列法を提案する。 提案手法では、カプトー型分数微分問題において、0alpha1$での分数導関数の高速な計算を容易にする。 提案手法の有効性は,遅延微分方程式 (DDE) や微分代数方程式 (DAE) など,様々な微分方程式にまたがって検証される。
  論文  参考訳（メタデータ） (2024-01-25T11:00:19Z)
• Tree tensor network state approach for solving hierarchical equations of motion [0.0]
  階層型運動方程式(英:hierarchical equations of Motion, HEOM)は、数値的に正確な開量子系力学の手法である。 提案手法は従来のHEOM法と一貫した結果が得られることを示す。 さらに、真のTTNSによるシミュレーションは、1次元の行列積状態分解スキームの4倍高速である。
  論文  参考訳（メタデータ） (2023-04-11T11:40:15Z)
• Neural Network Verification as Piecewise Linear Optimization: Formulations for the Composition of Staircase Functions [2.088583843514496]
  混合整数計画法(MIP)を用いたニューラルネットワーク検証手法を提案する。 ネットワーク内の各ニューロンに対して一方向線形活性化関数を用いた強い定式化を導出する。 また、入力次元において超線形時間で実行される分離手順を導出する。
  論文  参考訳（メタデータ） (2022-11-27T03:25:48Z)
• Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
  本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。 本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。 その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
  論文  参考訳（メタデータ） (2022-07-28T19:59:14Z)
• An application of the splitting-up method for the computation of a neural network representation for the solution for the filtering equations [68.8204255655161]
  フィルタ方程式は、数値天気予報、金融、工学など、多くの現実の応用において中心的な役割を果たす。 フィルタリング方程式の解を近似する古典的なアプローチの1つは、分割法と呼ばれるPDEにインスパイアされた方法を使うことである。 我々はこの手法をニューラルネットワーク表現と組み合わせて、信号プロセスの非正規化条件分布の近似を生成する。
  論文  参考訳（メタデータ） (2022-01-10T11:01:36Z)
• Deep Learning Approximation of Diffeomorphisms via Linear-Control Systems [91.3755431537592]
  我々は、制御に線形に依存する$dot x = sum_i=1lF_i(x)u_i$という形の制御系を考える。 対応するフローを用いて、コンパクトな点のアンサンブル上の微分同相写像の作用を近似する。
  論文  参考訳（メタデータ） (2021-10-24T08:57:46Z)
• A Discrete Variational Derivation of Accelerated Methods in Optimization [68.8204255655161]
  最適化のための異なる手法を導出できる変分法を導入する。 我々は1対1の対応において最適化手法の2つのファミリを導出する。 自律システムのシンプレクティシティの保存は、ここでは繊維のみに行われる。
  論文  参考訳（メタデータ） (2021-06-04T20:21:53Z)
• The Connection between Discrete- and Continuous-Time Descriptions of Gaussian Continuous Processes [60.35125735474386]
  我々は、一貫した推定子をもたらす離散化が粗粒化下での不変性を持つことを示す。 この結果は、導関数再構成のための微分スキームと局所時間推論アプローチの組み合わせが、2次または高次微分方程式の時系列解析に役立たない理由を説明する。
  論文  参考訳（メタデータ） (2021-01-16T17:11:02Z)
• DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
  DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。 我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
  論文  参考訳（メタデータ） (2021-01-15T00:13:33Z)

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。