論文の概要: Input-Output Optics as a Causal Time Series Mapping: A Generative Machine Learning Solution

• arxiv url: http://arxiv.org/abs/2411.19897v1
• Date: Fri, 29 Nov 2024 18:02:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:18:49.735941
• Title: Input-Output Optics as a Causal Time Series Mapping: A Generative Machine Learning Solution
• Title（参考訳）: 因果時系列マッピングとしての入力出力光学 - 生成機械学習ソリューション
• Authors: Abhijit Sen, Bikram Keshari Parida, Kurt Jacobs, Denys I. Bondar,
• Abstract要約: 生成モデル,特に変分オートエンコーダは,多体量子系の複雑な応答を学習する上で,従来のオートエンコーダよりも優れていることを示す。 最も複雑なマッピングを生成する例として、変分自動エンコーダは、テストデータ全体の90%以上の入力に対して10%未満のエラーを持つ出力を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The response of many-body quantum systems to an optical pulse can be extremely challenging to model. Here we explore the use of neural networks, both traditional and generative, to learn and thus simulate the response of such a system from data. The quantum system can be viewed as performing a complex mapping from an input time-series (the optical pulse) to an output time-series (the systems response) which is often also an optical pulse. Using both the transverse and non-integrable Ising models as examples, we show that not only can temporal convolutional networks capture the input/output mapping generated by the system but can also be used to characterize the complexity of the mapping. This measure of complexity is provided by the size of the smallest latent space that is able to accurately model the mapping. We further find that a generative model, in particular a variational auto-encoder, significantly outperforms traditional auto-encoders at learning the complex response of many-body quantum systems. For the example that generated the most complex mapping, the variational auto-encoder produces outputs that have less than 10% error for more than 90% of inputs across our test data.
• Abstract（参考訳）: 光パルスに対する多体量子系の応答は、モデル化が極めて困難である。 ここでは、従来型および生成型両方のニューラルネットワークを用いて、データからそのようなシステムの応答を学習し、シミュレートする。 量子システムは、入力時間列(光パルス)から出力時間列(システム応答)への複雑なマッピングの実行と見なすことができる。 逆および非可積分Isingモデルの両方を例に、システムによって生成された入出力マッピングを時間的畳み込みネットワークでキャプチャできるだけでなく、マッピングの複雑さを特徴付けるためにも使用できることを示す。 この複雑さの尺度は、マッピングを正確にモデル化できる最小の潜在空間のサイズによって提供される。 さらに、生成モデル、特に変分オートエンコーダは、多体量子系の複雑な応答を学習する上で、従来のオートエンコーダよりも著しく優れることがわかった。 最も複雑なマッピングを生成する例として、変分自動エンコーダは、テストデータ全体の90%以上の入力に対して10%未満のエラーを持つ出力を生成する。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• MTSA-SNN: A Multi-modal Time Series Analysis Model Based on Spiking Neural Network [23.303230721723278]
  スパイキングニューラルネットワーク(MTSA-SNN)に基づくマルチモーダル時系列解析モデルを提案する。 パルスは、時間画像とシーケンシャル情報の符号化を共通のパルスベース表現で統一する。 本研究では、ウェーブレット変換操作を導入し、時間的情報を分析し評価するモデルの能力を高める。
  論文  参考訳（メタデータ） (2024-02-08T05:39:11Z)
• Unleashing the Expressive Power of Pulse-Based Quantum Neural Networks [0.46085106405479537]
  ノイズ中間スケール量子(NISQ)デバイスに基づく量子機械学習(QML)は、限られた量子リソースの最適利用に依存している。 ゲートベースのQMLモデルは、ソフトウェアエンジニアにとってユーザフレンドリーである。 パルスベースのモデルにより、"無限に"深い量子ニューラルネットワークを同時に構築することができる。
  論文  参考訳（メタデータ） (2024-02-05T10:47:46Z)
• 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)
• Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
  本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。 粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
  論文  参考訳（メタデータ） (2021-05-08T03:50:45Z)
• Fast and differentiable simulation of driven quantum systems [58.720142291102135]
  我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。 回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
  論文  参考訳（メタデータ） (2020-12-16T21:43:38Z)
• Random Sampling Neural Network for Quantum Many-Body Problems [0.0]
  本稿では,対話型多体システムのランダムサンプリング行列要素に対して,自己教師型学習手法を用いてパターン認識手法を用いたランダムサンプリングニューラルネットワーク(Random Smpling Neural Networks, RNN)を提案する。 RSNNの適用性をテストするために、横フィールドを持つIsingモデル、Fermi-Hubbardモデル、Spin-$1/2$$XXZ$モデルなど、正確に解決可能ないくつかの1Dモデルが使用されている。
  論文  参考訳（メタデータ） (2020-11-10T15:52:44Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• Learnability and Complexity of Quantum Samples [26.425493366198207]
  量子回路が与えられた場合、量子コンピュータは古典的コンピュータよりも出力分布を指数関数的に高速にサンプリングすることができる。 一定のトレーニング時間でnでスケールするトレーニングパラメータを持つモデルを用いて、基礎となる量子分布を学習できるだろうか? 本稿では,Deep Boltzmann Machine (DBM), Generative Adrial Networks (GANs), Long Short-Term Memory (LSTM), Autoregressive GANの4種類の生成モデルについて,深部ランダム回路で生成された量子データセットの学習について検討する。
  論文  参考訳（メタデータ） (2020-10-22T18:45:25Z)
• The effect of data encoding on the expressive power of variational quantum machine learning models [0.7734726150561088]
  量子コンピュータは、パラメトリド量子回路をデータ入力を予測にマッピングするモデルとして扱うことで教師あり学習に使用できる。 本稿では,関数近似器としてパラメトリド量子回路の表現力に,データがモデルに符号化される戦略がどう影響するかを検討する。
  論文  参考訳（メタデータ） (2020-08-19T18:00:11Z)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)

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。