論文の概要: Machine-learning emergent spacetime from linear response in future tabletop quantum gravity experiments

• arxiv url: http://arxiv.org/abs/2411.16052v1
• Date: Mon, 25 Nov 2024 02:42:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:18:32.308434
• Title: Machine-learning emergent spacetime from linear response in future tabletop quantum gravity experiments
• Title（参考訳）: 将来のテーブルトップ量子重力実験における線形応答からの機械学習創発時空
• Authors: Koji Hashimoto, Koshiro Matsuo, Masaki Murata, Gakuto Ogiwara, Daichi Takeda,
• Abstract要約: 本稿では,AdS/CFT対応下で精度の高いバルク再構成を実現するために,新しい解釈型ニューラルネットワーク(NN)モデルを提案する。 本研究の目的は,NNを用いた機械学習により,凝縮物質系データから高次元重力測定値を再構成することである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We introduce a novel interpretable Neural Network (NN) model designed to perform precision bulk reconstruction under the AdS/CFT correspondence. According to the correspondence, a specific condensed matter system on a ring is holographically equivalent to a gravitational system on a bulk disk, through which tabletop quantum gravity experiments may be possible as reported in arXiv:2211.13863. The purpose of this paper is to reconstruct a higher-dimensional gravity metric from the condensed matter system data via machine learning using the NN. Our machine reads spatially and temporarily inhomogeneous linear response data of the condensed matter system, and incorporates a novel layer that implements the Runge-Kutta method to achieve better numerical control. We confirm that our machine can let a higher-dimensional gravity metric be automatically emergent as its interpretable weights, using a linear response of the condensed matter system as data, through supervised machine learning. The developed method could serve as a foundation for generic bulk reconstruction, i.e., a practical solution to the AdS/CFT correspondence, and would be implemented in future tabletop quantum gravity experiments.
• Abstract（参考訳）: 本稿では,AdS/CFT対応下で精度の高いバルク再構成を実現するために,新しい解釈型ニューラルネットワーク(NN)モデルを提案する。 この対応によれば、環上の特定の凝縮物質系は、バルク円盤上の重力系とホログラフィック的に等価であり、これは、arXiv:2211.13863で報告されているように、テーブルトップ量子重力実験を可能にする。 本研究の目的は,NNを用いた機械学習により,凝縮物質系データから高次元重力測定値を再構成することである。 コンデンサシステムの空間的および一時的不均一な線形応答データを読み出し,より優れた数値制御を実現するために,Runge-Kutta法を実装した新しい層を組み込んだ。 我々は,高次元重力計を解釈可能な重みとして自動生成し,凝縮物質系の線形応答をデータとして,教師付き機械学習を用いて確認する。 この手法は、一般的なバルク再構成の基礎、すなわちAdS/CFT対応の実用的な解決策として機能し、将来のテーブルトップ量子重力実験で実装される。

関連論文リスト

• Physically Interpretable Representation and Controlled Generation for Turbulence Data [39.42376941186934]
  本稿では,高次元科学的データを低次元,物理的に意味のある表現に符号化するデータ駆動型手法を提案する。 レイノルズ数の範囲を越えるシリンダーを過ぎる流れの2次元ナビエ・ストークスシミュレーションを用いて,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-01-31T17:51:14Z)
• Combining Machine Learning with Recurrence Analysis for resonance detection [0.0]
  ほぼ可積分系における共振の幅は 摂動パラメータが 可積分性からシステムを 遠ざけていることを教えてくれます EMRIでは、ブラックホールや中性子星のようなより軽いコンパクト物体が、重力放射線による超大質量ブラックホールに吸入する。 軌道の繰り返し量子化器は、系の寸法に関係なく共鳴振舞いのインプリントを持つことを示す。
  論文  参考訳（メタデータ） (2024-12-27T15:20:57Z)
• 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)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• Data-Free Learning of Reduced-Order Kinematics [54.85157881323157]
  画像が多様だが低エネルギーな構成のサブ多様体をパラメータ化する低次元マップを作成する。 サブスペースを低次元潜在ベクトルを全構成空間にマッピングするニューラルネットワークとして表現する。 この定式化は、非常に一般的な物理系において有効である。
  論文  参考訳（メタデータ） (2023-05-05T20:53:36Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Deep learning of spatial densities in inhomogeneous correlated quantum systems [0.0]
  ランダムポテンシャルに基づいてトレーニングされた畳み込みニューラルネットワークを用いて,密度の予測が可能であることを示す。 我々は,不均一な状況下での干渉と相互作用の相互作用と相転移を伴うモデルの挙動をうまく扱えることを示す。
  論文  参考訳（メタデータ） (2022-11-16T17:10:07Z)
• Machine learning for excitation energy transfer dynamics [0.0]
  我々は、生物状態におけるオープン量子力学をシミュレートするために、階層的な運動方程式(HEOM)を用いる。 我々は、光収穫錯体を通した電子励起のコヒーレントな伝播を表現した、時間依存オブザーバブルの集合を生成する。 我々は、この研究課題に対処する畳み込みニューラルネットワークの能力を実証する。
  論文  参考訳（メタデータ） (2021-12-22T14:11:30Z)
• Adaptive Machine Learning for Time-Varying Systems: Low Dimensional Latent Space Tuning [91.3755431537592]
  本稿では,時間変化システムを対象とした適応機械学習手法を提案する。 我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。 そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
  論文  参考訳（メタデータ） (2021-07-13T16:05:28Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Optimal estimation of time-dependent gravitational fields with quantum optomechanical systems [0.0]
  非線形状態において理想的な光学系で達成できる基本感度について検討する。 この結果は、小さな振動する質量からの重力場の測定に特に当てはまる。
  論文  参考訳（メタデータ） (2020-08-14T18:00:01Z)

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。