Fugu-MT 論文翻訳(概要): Fermionic Neural Networks through the lens of Group Theory

論文の概要: Fermionic Neural Networks through the lens of Group Theory

arxiv url: http://arxiv.org/abs/2411.11605v1
Date: Mon, 18 Nov 2024 14:27:55 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-19 14:26:57.340462
Title: Fermionic Neural Networks through the lens of Group Theory
Title（参考訳）: 群論のレンズによるフェルミオン型ニューラルネットワーク
Authors: J. Rozalén Sarmiento, A. Rios,
Abstract要約: 反対称ニューラルネットワーク波動関数を構成する最も一般的な方法の1つである行列式が群畳み込みの結果として理解可能であることを示す。我々は、群表現論は、ニューラル量子状態に明示的に対称性を組み込むための有望な道であると結論付けている。
参考スコア（独自算出の注目度）: 2.038915907035661
License:
Abstract: We present an overview of the method of Neural Quantum States applied to the many-body problem of atomic nuclei. Through the lens of group representation theory, we focus on the problem of constructing neural-network ans\"atze that respect physical symmetries. We explicitly prove that determinants, which are among the most common methods to build antisymmetric neural-network wave functions, can be understood as the result of a group convolution. We also identify the reason why this construction is so efficient in practice compared to other group convolutional operations. We conclude that group representation theory is a promising avenue to incorporate explicitly symmetries in Neural Quantum States.
Abstract（参考訳）: 本稿では,原子核の多体問題に応用したニューラル量子状態法の概要について述べる。群表現論のレンズを通して、物理対称性を尊重するニューラル・ネットワーク・アンス・アゼの構築の問題に焦点をあてる。我々は、反対称ニューラルネットワーク波動関数を構成する最も一般的な方法の一つである行列式が、群畳み込みの結果として理解できることを明確に証明する。また、この構造が他のグループ畳み込み操作と比較して、実際に非常に効率的である理由も明らかにする。我々は、群表現論は、ニューラル量子状態に明示的に対称性を組み込むための有望な道であると結論付けている。

関連論文リスト

Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
しきい値単位の動的代替として人工内蔵ニューロン(AKOrN)を導入する。このアイデアは、幅広いタスクにまたがってパフォーマンス改善をもたらすことを示しています。これらの経験的結果は、神経表現の最も基本的なレベルにおいて、私たちの仮定の重要性を示していると信じている。
論文参考訳（メタデータ） (2024-10-17T17:47:54Z)
The Empirical Impact of Neural Parameter Symmetries, or Lack Thereof [50.49582712378289]
ニューラル・ネットワーク・アーキテクチャの導入により,ニューラル・パラメータ・対称性の影響について検討する。我々は,パラメータ空間対称性を低減するために,標準的なニューラルネットワークを改良する2つの手法を開発した。実験により,パラメータ対称性の経験的影響に関する興味深い観察がいくつか示された。
論文参考訳（メタデータ） (2024-05-30T16:32:31Z)
Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文参考訳（メタデータ） (2024-05-22T17:23:15Z)
Solving the nuclear pairing model with neural network quantum states [58.720142291102135]
本稿では,職業数形式論における核多体問題の解法としてモンテカルロ法を提案する。リコンフィグレーションアルゴリズムのメモリ効率向上版を開発し,ハミルトニアンの期待値を最小限に抑えてネットワークをトレーニングする。
論文参考訳（メタデータ） (2022-11-09T00:18:01Z)
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)
Bispectral Neural Networks [1.0323063834827415]
ニューラルネットワークアーキテクチャBNN(Bispectral Neural Networks)を提案する。 BNNは、群、その既約表現、および対応する同変写像と完全不変写像を同時に学習することができる。
論文参考訳（メタデータ） (2022-09-07T18:34:48Z)
An Overview of Uncertainty Quantification Methods for Infinite Neural Networks [0.0]
無限幅ニューラルネットワークにおける不確実性を定量化する手法について検討する。我々は、予測の不確実性に対する厳密な閉形式解を得るために、いくつかの等価結果を利用する。
論文参考訳（メタデータ） (2022-01-13T00:03:22Z)
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)
Adding machine learning within Hamiltonians: Renormalization group transformations, symmetry breaking and restoration [0.0]
我々は、位相分類のために設計されたニューラルネットワークの予測関数を、系のハミルトニアン内の外部磁場に結合した共役変数として含む。結果は, 対称性を破り, 復元することで, 秩序相転移を誘導できることを示す。機械学習と物理をブリッジする上で,この手法がいかに重要なステップを提供するかを論じる。
論文参考訳（メタデータ） (2020-09-30T18:44:18Z)
Neural Networks and Quantum Field Theory [0.0]
我々は、ウィルソン有効場理論の観点から、ニューラルネットワークの理論的理解を提案する。この対応は、多くのニューラルネットワークがガウス過程から引き出されるという事実に依存している。
論文参考訳（メタデータ） (2020-08-19T18:00:06Z)
Lorentz Group Equivariant Neural Network for Particle Physics [58.56031187968692]
ローレンツ群の下での変換に関して完全に同値なニューラルネットワークアーキテクチャを提案する。素粒子物理学における分類問題に対して、そのような同変構造は、比較的学習可能なパラメータの少ない非常に単純なモデルをもたらすことを実証する。
論文参考訳（メタデータ） (2020-06-08T17:54:43Z)

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。