Fugu-MT 論文翻訳(概要): Physics-informed neural networks viewpoint for solving the Dyson-Schwinger equations of quantum electrodynamics

論文の概要: Physics-informed neural networks viewpoint for solving the Dyson-Schwinger equations of quantum electrodynamics

arxiv url: http://arxiv.org/abs/2411.02177v1
Date: Mon, 04 Nov 2024 15:36:17 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-05 14:45:57.107766
Title: Physics-informed neural networks viewpoint for solving the Dyson-Schwinger equations of quantum electrodynamics
Title（参考訳）: 量子電磁力学のダイソン・シュウィンガー方程式を解くための物理インフォームドニューラルネットワークの視点
Authors: Rodrigo Carmo Terin,
Abstract要約: 量子電磁力学の基本的なダイソン=シュウィンガー積分方程式を解くために、物理インフォームニューラルネットワークを用いる。提案手法では, フェミオン波動関数の正規化, 動的質量関数, 光子プロパゲータをニューラルネットワークで近似する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We employ physics-informed neural networks (PINNs) to solve fundamental Dyson-Schwinger integral equations in the theory of quantum electrodynamics (QED) in Euclidean space. Our approach uses neural networks to approximate the fermion wave function renormalization, dynamical mass function, and photon propagator. By integrating the Dyson-Schwinger equations into the loss function, the networks learn and predict solutions over a range of momenta and ultraviolet cutoff values. This method can be extended to other quantum field theories (QFTs), potentially paving the way for forefront applications of machine learning within high-level theoretical physics.
Abstract（参考訳）: 我々は物理インフォームドニューラルネットワーク(PINN)を用いて、ユークリッド空間における量子電磁力学(QED)の理論における基本的なダイソン=シュウィンガー積分方程式を解く。本手法では, フェミオン波動関数の正規化, 動的質量関数, 光子プロパゲータをニューラルネットワークで近似する。ダイソン=シュウィンガー方程式を損失関数に統合することにより、ネットワークはモータおよび紫外線遮断値の範囲での解を学習し、予測する。この方法は、他の量子場理論(QFT)にまで拡張することができ、高レベルの理論物理学における機械学習の先進的な応用の道を開く可能性がある。

関連論文リスト

Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文参考訳（メタデータ） (2024-09-05T07:18:09Z)
Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
論文参考訳（メタデータ） (2024-05-23T16:30:51Z)
Addressing the Non-perturbative Regime of the Quantum Anharmonic Oscillator by Physics-Informed Neural Networks [0.9374652839580183]
量子領域において、そのようなアプローチは、非可積分系に対するシュレーディンガー方程式を解く新しいアプローチへの道を開く。実数および虚数周波数のシステムについて検討し、量子場理論に現れる問題に対処するための新しい数値法の基礎を築いた。
論文参考訳（メタデータ） (2024-05-22T08:34:52Z)
Fourier Neural Differential Equations for learning Quantum Field Theories [57.11316818360655]
量子場理論は相互作用ハミルトニアンによって定義され、散乱行列によって実験データにリンクされる。本稿では,NDEモデルを用いて理論,スカラー・ユーカワ理論,スカラー量子電磁力学を学習する。理論の相互作用ハミルトニアンは、ネットワークパラメータから抽出することができる。
論文参考訳（メタデータ） (2023-11-28T22:11:15Z)
First principles physics-informed neural network for quantum wavefunctions and eigenvalue surfaces [0.0]
本稿では,量子系のパラメータ固有値と固有関数曲面を求めるニューラルネットワークを提案する。我々は水素分子イオンの解法に本手法を適用した。
論文参考訳（メタデータ） (2022-11-08T23:22:42Z)
Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文参考訳（メタデータ） (2022-02-24T20:46:52Z)
Ab-Initio Potential Energy Surfaces by Pairing GNNs with Neural Wave Functions [2.61072980439312]
本研究では、グラフニューラルネットワーク(GNN)とニューラルウェーブ関数を組み合わせることで、VMCを介して複数の測地に対するシュル「オーディンガー方程式」を同時に解く。既存の最先端ネットワークと比較して、私たちのポテンシャルエネルギーサーフェスネットワーク(PESNet)は、複数のジオメトリーのトレーニングを最大40倍スピードアップし、その精度をマッチングまたは超過します。
論文参考訳（メタデータ） (2021-10-11T07:58:31Z)
Predicting Quantum Potentials by Deep Neural Network and Metropolis Sampling [4.924802410009697]
そこで我々は,メトロポリスサンプリングとディープニューラルネットワークを組み合わせることで,固有状態を与えるシュロディンガー方程式のポテンシャルを解くことを提案する。損失関数は、その正確な評価のために、最適化にエネルギーを明示的に巻き込むために提案される。 MPNNは、シュロディンガー方程式を満たす可能性だけでなく、固有エネルギーも予測する上で優れた精度と安定性を示す。
論文参考訳（メタデータ） (2021-06-06T14:03:17Z)
Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文参考訳（メタデータ） (2021-04-06T18:29:14Z)
Partial Differential Equations is All You Need for Generating Neural Architectures -- A Theory for Physical Artificial Intelligence Systems [40.20472268839781]
我々は、統計物理学における反応拡散方程式、量子力学におけるシュル・オーディンガー方程式、同軸光学におけるヘルムホルツ方程式を一般化する。数値解を求めるためにNPDEを離散化するために有限差分法を用いる。多層パーセプトロン、畳み込みニューラルネットワーク、リカレントニューラルネットワークなど、ディープニューラルネットワークアーキテクチャの基本構築ブロックが生成される。
論文参考訳（メタデータ） (2021-03-10T00:05:46Z)
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)

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。