論文の概要: Recurrent convolutional neural networks for non-adiabatic dynamics of quantum-classical systems
- arxiv url: http://arxiv.org/abs/2412.06631v1
- Date: Mon, 09 Dec 2024 16:23:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-10 14:53:01.531210
- Title: Recurrent convolutional neural networks for non-adiabatic dynamics of quantum-classical systems
- Title（参考訳）: 量子古典系の非断熱力学に対する反復畳み込みニューラルネットワーク
- Authors: Alex P. Ning, Lingyu Yang, Gia-Wei Chern,
- Abstract要約: 本稿では,ハイブリッド量子古典系の非線形非断熱力学をモデル化するための畳み込みニューラルネットワークに基づくRNNモデルを提案する。
検証研究により、訓練されたPARCモデルは、一次元半古典的なホルシュタインモデルの時空進化を再現できることが示されている。
- 参考スコア（独自算出の注目度）: 1.2972104025246092
- License:
- Abstract: Recurrent neural networks (RNNs) have recently been extensively applied to model the time-evolution in fluid dynamics, weather predictions, and even chaotic systems thanks to their ability to capture temporal dependencies and sequential patterns in data. Here we present a RNN model based on convolutional neural networks for modeling the nonlinear non-adiabatic dynamics of hybrid quantum-classical systems. The dynamical evolution of the hybrid systems is governed by equations of motion for classical degrees of freedom and von Neumann equation for electrons. The physics-aware recurrent convolutional (PARC) neural network structure incorporates a differentiator-integrator architecture that inductively models the spatiotemporal dynamics of generic physical systems. Validation studies show that the trained PARC model could reproduce the space-time evolution of a one-dimensional semi-classical Holstein model {with comparable accuracy to direct numerical simulations}. We also investigate the scaling of prediction errors with size of training dataset, prediction window, step-size, and model size.
- Abstract（参考訳）: リカレントニューラルネットワーク(RNN)は、データ内の時間依存性やシーケンシャルパターンをキャプチャする能力のおかげで、流体力学、天気予報、カオスシステムの時間進化をモデル化するために、最近広く適用されている。
本稿では、ハイブリッド量子古典系の非線形非断熱力学をモデル化するための畳み込みニューラルネットワークに基づくRNNモデルを提案する。
ハイブリッド系の力学進化は、古典的な自由度に対する運動方程式と電子に対するフォン・ノイマン方程式によって制御される。
物理対応リカレント畳み込み(PARC)ニューラルネットワーク構造は、一般的な物理系の時空間力学を誘導的にモデル化する微分器積分器アーキテクチャを組み込んでいる。
検証研究により、訓練されたPARCモデルは1次元の半古典的ホルシュタインモデルの時空進化を再現できることが示されている。
また,トレーニングデータセットのサイズ,予測ウィンドウ,ステップサイズ,モデルサイズによる予測誤差のスケーリングについても検討した。
関連論文リスト
- A short trajectory is all you need: A transformer-based model for long-time dissipative quantum dynamics [0.0]
深層人工知能ニューラルネットワークは、散逸環境に結合した量子システムの長時間の人口動態を予測することができることを示す。
我々のモデルは、リカレントニューラルネットワークのような古典的な予測モデルよりも正確です。
論文 参考訳（メタデータ） (2024-09-17T16:17:52Z) - Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Constraining Chaos: Enforcing dynamical invariants in the training of
recurrent neural networks [0.0]
本稿では,カオス力学系に対する機械学習に基づく予測手法の新しいトレーニング手法を提案する。
この訓練は、リヤプノフ指数スペクトルやフラクタル次元のような動的不変量を適用し、限られたデータで操作する場合、より長くより安定した予測を可能にする。
論文 参考訳（メタデータ） (2023-04-24T00:33:47Z) - 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) - A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。
自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。
時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文 参考訳（メタデータ） (2023-01-24T08:39:20Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Cubature Kalman Filter Based Training of Hybrid Differential Equation
Recurrent Neural Network Physiological Dynamic Models [13.637931956861758]
ニューラルネットワーク近似を用いて、未知の常微分方程式を既知のODEで近似する方法を示す。
その結果、このRBSEによるNNパラメータのトレーニングは、バックプロパゲーションによるニューラルネットワークのトレーニングよりも優れた結果(測定/状態推定精度)が得られることが示唆された。
論文 参考訳（メタデータ） (2021-10-12T15:38:13Z) - Stochastic Recurrent Neural Network for Multistep Time Series
Forecasting [0.0]
我々は、時系列予測のための繰り返しニューラルネットワークの適応を提案するために、深部生成モデルと状態空間モデルの概念の進歩を活用する。
私たちのモデルは、すべての関連情報が隠された状態でカプセル化されるリカレントニューラルネットワークのアーキテクチャ的な動作を保ち、この柔軟性により、モデルはシーケンシャルモデリングのために任意のディープアーキテクチャに簡単に統合できます。
論文 参考訳（メタデータ） (2021-04-26T01:43:43Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z) - Physics-Incorporated Convolutional Recurrent Neural Networks for Source
Identification and Forecasting of Dynamical Systems [10.689157154434499]
本稿では,数値物理学に基づくモデルと深層学習を組み合わせたハイブリッドフレームワークを提案する。
我々は、我々のモデルであるPhICNetを、S時間進化を予測するためのエンドツーエンドのトレーニングが可能な畳み込みリカレントニューラルネットワーク(RNN)として定式化する。
実験結果から,提案モデルが比較的長期間にわたって力学を予測し,情報源も同定できることが示唆された。
論文 参考訳（メタデータ） (2020-04-14T00:27:18Z)
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。