論文の概要: Ab-Initio Approach to Many-Body Quantum Spin Dynamics

• arxiv url: http://arxiv.org/abs/2411.13190v2
• Date: Thu, 21 Nov 2024 12:37:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 11:58:55.597870
• Title: Ab-Initio Approach to Many-Body Quantum Spin Dynamics
• Title（参考訳）: 多体量子スピンダイナミクスへのアブ・イニシアトアプローチ
• Authors: Aditya Dubey, Zeki Zeybek, Fabian Köhler, Rick Mukherjee, Peter Schmelcher,
• Abstract要約: ハイゼンベルクモデルの多体スピンダイナミクスをシミュレートするために,多層構成時間依存型Hartreeフレームワークを用いる。 ML-MCTDHは, 1次元格子と2次元格子の両方において, 1次元および2次元観測器の時間発展を正確に捉えていることを示す。 この結果から,ML-MCTDHの多層構造は汎用多体スピンシステムの力学を扱う上で有望な数値的枠組みであることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: A fundamental longstanding problem in studying spin models is the efficient and accurate numerical simulation of the long-time behavior of larger systems. The exponential growth of the Hilbert space and the entanglement accumulation at long times pose major challenges for current methods. To address these issues, we employ the multilayer multiconfiguration time-dependent Hartree (ML-MCTDH) framework to simulate the many-body spin dynamics of the Heisenberg model in various settings, including the Ising and XYZ limits with different interaction ranges and random couplings. Benchmarks with analytical and exact numerical approaches show that ML-MCTDH accurately captures the time evolution of one- and two-body observables in both one- and two-dimensional lattices. A comparison of ML-MCTDH with the discrete truncated Wigner approximation (DTWA) demonstrates that our approach excels in handling anisotropic models and consistently provides better results for two-point observables in all simulation instances. Our results indicate that the multilayer structure of ML-MCTDH is a promising numerical framework for handling the dynamics of generic many-body spin systems.
• Abstract（参考訳）: スピンモデルの研究における根本的な長年の問題は、より大きなシステムの長時間挙動の効率的かつ正確な数値シミュレーションである。 ヒルベルト空間の指数的成長と長い時間における絡み合いの蓄積は、現在の方法にとって大きな課題である。 これらの問題に対処するために、多層多層構造時間依存型Hartree(ML-MCTDH)フレームワークを用いて、相互作用範囲の異なるIsingおよびXYZ制限やランダム結合を含む様々な設定でハイゼンベルクモデルの多体スピンダイナミクスをシミュレートする。 解析的および正確な数値的アプローチによるベンチマークでは、ML-MCTDHは1次元および2次元の格子の時間的発展を正確に捉えている。 ML-MCTDHとDTWAとの比較により, 異方性モデルを扱う際のアプローチが優れていること, シミュレーションインスタンスの2点オブザーバブルに対して一貫した結果が得られた。 この結果から,ML-MCTDHの多層構造は汎用多体スピンシステムの力学を扱う上で有望な数値的枠組みであることが示唆された。

関連論文リスト

• Chimera: Effectively Modeling Multivariate Time Series with 2-Dimensional State Space Models [5.37935922811333]
  State Space Models (SSM) は、一変量時系列モデリングのための古典的なアプローチである。 本稿では、2つの入力依存型2次元SSMヘッドと異なる離散化プロセスを用いて長期進行と季節パターンを学習するチメラについて述べる。 実験により,広範囲で多様なベンチマークにおいて,Chimeraの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-06-06T17:58:09Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• 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)
• Exploring Disordered Quantum Spin Models with a Multi-Layer Multi-Configurational Approach [0.0]
  我々は、複数の乱れたスピンモデルの基底状態を評価するために、多層マルチコンフィグレーション時間依存Hartree (ML-MCTDH) と呼ばれる数値手法を用いる。 1次元と2次元の空間次元で結果を示すために,本手法の固有の柔軟性を活用し,長期的相互作用と障害を含む挑戦的なセットアップを扱う。
  論文  参考訳（メタデータ） (2022-12-05T13:26:41Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Towards Fast Simulation of Environmental Fluid Mechanics with Multi-Scale Graph Neural Networks [0.0]
  我々は、非定常連続体力学を推論するための新しいマルチスケールグラフニューラルネットワークモデルであるMultiScaleGNNを紹介する。 本手法は, 海洋および大気プロセスの基本的な現象である, 対流問題と非圧縮性流体力学について実証する。 MultiScaleGNNで得られたシミュレーションは、トレーニングされたシミュレーションよりも2～4桁高速である。
  論文  参考訳（メタデータ） (2022-05-05T13:33:03Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Realistic simulations of spin squeezing and cooperative coupling effects in large ensembles of interacting two-level systems [0.0]
  本稿では, 相互作用するスピンアンサンブルの動的挙動を, 劣化と崩壊の存在下でシミュレーションするための効率的な数値計算法について述べる。 これにより、現実的な実験条件下で量子光学や固体スピンアンサンブルを用いた様々な実験の正確な実スケールシミュレーションを行うことが可能となる。
  論文  参考訳（メタデータ） (2021-04-30T18:00:00Z)
• Learning Continuous-Time Dynamics by Stochastic Differential Networks [32.63114111531396]
  変動微分ネットワーク(VSDN)という,フレキシブルな連続時間リカレントニューラルネットワークを提案する。 VSDNは神経微分方程式(SDE)による散発時間系列の複雑なダイナミクスを埋め込む VSDNは最先端の継続的ディープラーニングモデルより優れており、散発時系列の予測やタスクにおいて優れた性能を発揮する。
  論文  参考訳（メタデータ） (2020-06-11T01:40:34Z)

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。