論文の概要: Speak so a physicist can understand you! TetrisCNN for detecting phase transitions and order parameters

• arxiv url: http://arxiv.org/abs/2411.02237v1
• Date: Mon, 04 Nov 2024 16:30:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 21:28:05.041288
• Title: Speak so a physicist can understand you! TetrisCNN for detecting phase transitions and order parameters
• Title（参考訳）: 物理学者が理解できるように話してください! 相転移と秩序パラメータを検出するTetrisCNN
• Authors: Kacper Cybiński, James Enouen, Antoine Georges, Anna Dawid,
• Abstract要約: TetrisCNNは並列ブランチを持つ畳み込みNNであり、異なるカーネルを使用してスピンシステムの位相を検出する。 テトリスCNNは2次元イジングゲージ理論の例を用いて,より複雑な順序パラメータを検出可能であることを示す。 この研究は、NNと量子シミュレータを統合することで、新しいエキゾチックな物質相の研究につながる可能性がある。
• 参考スコア（独自算出の注目度）: 3.669506968635671
• License:
• Abstract: Recently, neural networks (NNs) have become a powerful tool for detecting quantum phases of matter. Unfortunately, NNs are black boxes and only identify phases without elucidating their properties. Novel physics benefits most from insights about phases, traditionally extracted in spin systems using spin correlators. Here, we combine two approaches and design TetrisCNN, a convolutional NN with parallel branches using different kernels that detects the phases of spin systems and expresses their essential descriptors, called order parameters, in a symbolic form based on spin correlators. We demonstrate this on the example of snapshots of the one-dimensional transverse-field Ising model taken in various bases. We show also that TetrisCNN can detect more complex order parameters using the example of two-dimensional Ising gauge theory. This work can lead to the integration of NNs with quantum simulators to study new exotic phases of matter.
• Abstract（参考訳）: 近年、ニューラルネットワーク(NN)は物質の量子位相を検出する強力なツールとなっている。 残念なことに、NNはブラックボックスであり、それらの特性を解明することなく位相のみを識別する。 新たな物理学は、スピンコレレータを用いて伝統的にスピン系で抽出された位相についての洞察から最も恩恵を受ける。 ここでは,2つのアプローチを組み合わせて,スピン系の位相を検出し,それらの必須記述子である秩序パラメータをスピン相関子に基づく記号形式で表現する並列分岐を持つ畳み込みNNTetrisCNNを設計する。 本研究は, 様々なベースで撮影された一次元横フィールドイジングモデルのスナップショットの例で示す。 また、テトリスCNNは2次元イジングゲージ理論の例を用いて、より複雑な順序パラメータを検出できることを示す。 この研究は、NNと量子シミュレータを統合することで、新しいエキゾチックな物質相の研究につながる可能性がある。

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 Networks as Spin Models: From Glass to Hidden Order Through Training [0.0]
  ニューラルネットワーク(NN)と統計力学的スピンモデルとの1対1対応について検討する。 トレーニングが進むにつれて, 磁気相と融解遷移温度について検討する。
  論文  参考訳（メタデータ） (2024-08-12T18:01:04Z)
• Enforcing exact permutation and rotational symmetries in the application of quantum neural network on point cloud datasets [0.0]
  量子機械学習の分野での最近の進歩は、量子回路の構造に物理対称性を取り入れるというアイデアを推進してきた。 回転と置換の両方に完全に不変な新しいQNN構造を提供する。
  論文  参考訳（メタデータ） (2024-05-18T02:40:30Z)
• Two-Phase Dynamics of Interactions Explains the Starting Point of a DNN Learning Over-Fitted Features [68.3512123520931]
  深層ニューラルネットワーク(DNN)学習相互作用のダイナミクスについて検討する。 本稿では,DNNが2段階の相互作用を学習していることを明らかにする。 第1相は主に中位と高位の相互作用を罰し、第2相は徐々に増加する順序の相互作用を学習する。
  論文  参考訳（メタデータ） (2024-05-16T17:13:25Z)
• Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
  本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。 このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
  論文  参考訳（メタデータ） (2023-03-10T20:36:23Z)
• 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)
• Model-Independent Learning of Quantum Phases of Matter with Quantum Convolutional Neural Networks [1.9404281424219032]
  量子畳み込みニューラルネットワーク(QCNN)は、物質ギャップ量子相の分類器として導入されている。 位相保存摂動下で変化しない順序パラメータを見つけるために,QCNNを訓練するためのモデルに依存しないプロトコルを提案する。
  論文  参考訳（メタデータ） (2022-11-21T19:00:04Z)
• Theory for Equivariant Quantum Neural Networks [0.0]
  本質的に任意の対称性群に対して等変量子ニューラルネットワーク(EQNN)を設計するための理論的枠組みを提案する。 私たちのフレームワークは、量子機械学習のほぼすべての領域に簡単に適用できます。
  論文  参考訳（メタデータ） (2022-10-16T15:42:21Z)
• Interrelation of equivariant Gaussian processes and convolutional neural networks [77.34726150561087]
  現在、ニューラルネットワーク(NN)とガウス過程(GP)の関係に基づく機械学習(ML)には、かなり有望な新しい傾向がある。 本研究では、ベクトル値のニューロン活性化を持つ2次元ユークリッド群とそれに対応する独立に導入された同変ガウス過程(GP)との関係を確立する。
  論文  参考訳（メタデータ） (2022-09-17T17:02:35Z)
• 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)

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。