論文の概要: Making Quantum Collision Models Exact

• arxiv url: http://arxiv.org/abs/2411.13166v1
• Date: Wed, 20 Nov 2024 10:01:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:11:51.815469
• Title: Making Quantum Collision Models Exact
• Title（参考訳）: 量子衝突モデルの実現
• Authors: Thibaut Lacroix, Dario Cilluffo, Susana F. Huelga, Martin B. Plenio,
• Abstract要約: 量子衝突(Quantum collision)は、粗い粒度の環境との繰り返し相互作用を通して開かれた量子系を記述する。 システムオブザーバブルのシミュレーションに関する完全なエラー境界は確立されていない。 連鎖写像法を用いてマルコフ衝突モデルと非マルコフ衝突モデルを解析的に復元できることが示される。
• 参考スコア（独自算出の注目度）: 0.7499722271664147
• License:
• Abstract: Quantum collision describe open quantum systems through repeated interactions with a coarse-grained environment. However, a complete certification of these models is lacking, as no complete error bounds on the simulation of system observables have been established. Here, we show that Markovian and non-Markovian collision models can be recovered analytically from chain mapping techniques starting from a general microscopic Hamiltonian. This derivation reveals a previously unidentified source of error -- induced by an unfaithful sampling of the environment -- in dynamics obtained with collision models that can become dominant for small but finite time-steps. With the complete characterization of this error, all collision models errors are now identified and quantified, which enables the promotion of collision models to the class of numerically exact methods. To confirm the predictions of our equivalence results, we implemented a non-Markovian collision model of the Spin Boson Model, and identified, as predicted, a regime in which the collision model is fundamentally inaccurate.
• Abstract（参考訳）: 量子衝突(Quantum collision)は、粗い粒度の環境との繰り返し相互作用を通して開かれた量子系を記述する。 しかし、システムオブザーバのシミュレーションに関する完全なエラー境界が確立されていないため、これらのモデルの完全な認証が欠如している。 ここでは、マルコフ衝突モデルと非マルコフ衝突モデルが、一般的な顕微鏡ハミルトニアンから始まるチェーンマッピング技術から解析的に回収可能であることを示す。 この導出は、小さいが有限の時間ステップで支配的になる衝突モデルで得られた力学において、環境の不正なサンプリングによって引き起こされた未確認エラーの原因を明らかにする。 この誤差の完全なキャラクタリゼーションにより、すべての衝突モデル誤差を同定して定量化し、数値的に正確な手法のクラスへの衝突モデルの促進を可能にする。 本研究では, スピンボソンモデルの非マルコフ衝突モデルを用いて, 衝突モデルが基本的に不正確な状態にあることを示す。

関連論文リスト

• Embedded Nonlocal Operator Regression (ENOR): Quantifying model error in learning nonlocal operators [8.585650361148558]
  本研究では,非局所的同化代理モデルとその構造モデル誤差を学習するための新しい枠組みを提案する。 このフレームワークは、長期シミュレーションにおける均質化材料応答予測のための離散性適応不確実性定量化を提供する。
  論文  参考訳（メタデータ） (2024-10-27T04:17:27Z)
• Effect of Correlated Errors on Quantum Memory [1.3198143828338362]
  隠れ乱数場に基づく古典的相関モデルを導入し,長距離相関による誤差をモデル化する。 このモデルでは, 結合(システムと入浴)ハミルトンモデルによって捕捉されないある種の相関パターンを, ペア項で捉えることができることを示す。
  論文  参考訳（メタデータ） (2024-08-16T14:59:10Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Sampling-based Uncertainty Estimation for an Instance Segmentation Network [8.772859218496244]
  機械学習(ML)モデルの予測の不確かさが注目されている。 この目的のために使用される不確実性モデリング手法の1つはモンテカルロ・ドロープアウトであり、単一の入力に対して繰り返し予測が生成される。 この記事では、ベイジアン・ガウス混合(BGM)を用いてこの問題を解決する。 さらに、各インスタンスの最も正確な不確実性近似を得るために、Mask-RCNNモデルに統合した焦点損失やキャリブレーションなど、ドロップアウト率と他の手法の異なる値について検討する。
  論文  参考訳（メタデータ） (2023-05-24T10:12:50Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
  画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。 決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。 本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-11T15:20:54Z)
• Closed-form discovery of structural errors in models of chaotic systems by integrating Bayesian sparse regression and data assimilation [0.0]
  私たちはMEDIDAというフレームワークを紹介します: 解釈可能性とデータ同化を伴うモデルエラー発見。 MEDIDAでは、まず、観測状態と予測状態の差からモデル誤差を推定する。 観測結果がノイズである場合、まず、アンサンブルカルマンフィルタ(EnKF)のようなデータ同化手法を用いて、システムのノイズフリー解析状態を提供する。 最後に、レバレンスベクトルマシン(RVM)のような方程式発見手法、すなわちスパーシィプロモーティングベイズ法を用いて、解釈可能でパシモニアスでクローズドな解を同定する。
  論文  参考訳（メタデータ） (2021-10-01T17:19:28Z)
• Quantifying Model Predictive Uncertainty with Perturbation Theory [21.591460685054546]
  本稿では,ニューラルネットワークの予測不確実性定量化のためのフレームワークを提案する。 量子物理学の摂動理論を用いてモーメント分解問題を定式化する。 我々の手法は、より高精度でキャリブレーションの高い高速なモデル予測不確実性推定を提供する。
  論文  参考訳（メタデータ） (2021-09-22T17:55:09Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)

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。