論文の概要: Physics-Driven Learning for Inverse Problems in Quantum Chromodynamics

• arxiv url: http://arxiv.org/abs/2501.05580v1
• Date: Thu, 09 Jan 2025 21:14:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:26:11.303395
• Title: Physics-Driven Learning for Inverse Problems in Quantum Chromodynamics
• Title（参考訳）: 量子色力学における逆問題に対する物理駆動学習
• Authors: Gert Aarts, Kenji Fukushima, Tetsuo Hatsuda, Andreas Ipp, Shuzhe Shi, Lingxiao Wang, Kai Zhou,
• Abstract要約: ディープラーニング技術と物理駆動設計の統合は、私たちが逆問題に対処する方法を変えつつある。 この視点は、物理駆動学習法の進歩と可能性を強調している。 MLと物理の融合により、より効率的で信頼性の高い問題解決戦略がもたらされることが示されている。
• 参考スコア（独自算出の注目度）: 5.5371760658918
• License:
• Abstract: The integration of deep learning techniques and physics-driven designs is reforming the way we address inverse problems, in which accurate physical properties are extracted from complex data sets. This is particularly relevant for quantum chromodynamics (QCD), the theory of strong interactions, with its inherent limitations in observational data and demanding computational approaches. This perspective highlights advances and potential of physics-driven learning methods, focusing on predictions of physical quantities towards QCD physics, and drawing connections to machine learning(ML). It is shown that the fusion of ML and physics can lead to more efficient and reliable problem-solving strategies. Key ideas of ML, methodology of embedding physics priors, and generative models as inverse modelling of physical probability distributions are introduced. Specific applications cover first-principle lattice calculations, and QCD physics of hadrons, neutron stars, and heavy-ion collisions. These examples provide a structured and concise overview of how incorporating prior knowledge such as symmetry, continuity and equations into deep learning designs can address diverse inverse problems across different physical sciences.
• Abstract（参考訳）: ディープラーニング技術と物理駆動設計の統合は、複雑なデータセットから正確な物理的特性を抽出する逆問題に対処する方法を変えつつある。 これは特に、強い相互作用の理論である量子色力学(QCD)に関係しており、観測データや計算手法に固有の制限がある。 この視点は、物理駆動学習法の進歩と可能性を強調し、QCD物理への物理量の予測に焦点をあて、機械学習(ML)との接続を描く。 MLと物理の融合により、より効率的で信頼性の高い問題解決戦略がもたらされることが示されている。 物理確率分布の逆モデリングとして、MLの主な考え方、埋め込み物理学の先行手法、および生成モデルを紹介する。 特定の応用としては、第一原理格子計算、ハドロン、中性子星、重イオン衝突のQCD物理がある。 これらの例は、対称性、連続性、方程式といった事前知識を深層学習設計に組み込むことによって、様々な物理科学にまたがる様々な逆問題にどのように対処するか、構造化された簡潔な概要を提供する。

関連論文リスト

• Physics-Informed Graph-Mesh Networks for PDEs: A hybrid approach for complex problems [0.24578723416255746]
  物理インフォームドグラフニューラルネットワークと有限要素からの数値カーネルを組み合わせたハイブリッドアプローチを提案する。 モデルの理論的性質を研究した後、2次元と3次元の複素幾何学に応用する。 我々の選択はアブレーション研究によって支持され,提案手法の一般化能力を評価する。
  論文  参考訳（メタデータ） (2024-09-25T07:52:29Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Advances in machine-learning-based sampling motivated by lattice quantum chromodynamics [4.539861642583362]
  この視点は、格子量子場理論によって動機付けられたMLベースのサンプリングの進歩を概説する。 このアプリケーションのためのMLアルゴリズムの設計は、最大規模のスーパーコンピュータにカスタムMLアーキテクチャをスケールする必要があるなど、重大な課題に直面している。 このアプローチが早期の約束を達成できれば、粒子、核、凝縮物質物理学における第一原理物理学計算への転換ステップとなる。
  論文  参考訳（メタデータ） (2023-09-03T12:25:59Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• On the Integration of Physics-Based Machine Learning with Hierarchical Bayesian Modeling Techniques [0.0]
  本稿では,ガウス過程(GP)モデルの平均関数にメカニクスに基づくモデルを組み込み,カーネルマシンによる潜在的な不一致を特徴付けることを提案する。 カーネル関数の定常性は、階層的ベイズ手法によって解決された長いデータセットの逐次処理において難しいハードルである。 数値および実験例を用いて, 構造力学逆問題に対する提案手法の可能性を示した。
  論文  参考訳（メタデータ） (2023-03-01T02:29:41Z)
• Neural Operator: Is data all you need to model the world? An insight into the impact of Physics Informed Machine Learning [13.050410285352605]
  我々は、データ駆動アプローチが、工学や物理学の問題を解決する従来の手法を補完する方法についての洞察を提供する。 我々は,PDE演算子学習の解演算子を学習するための,新しい,高速な機械学習に基づくアプローチを強調した。
  論文  参考訳（メタデータ） (2023-01-30T23:29:33Z)
• Physics Embedded Machine Learning for Electromagnetic Data Imaging [83.27424953663986]
  電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。 機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。 本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
  論文  参考訳（メタデータ） (2022-07-26T02:10:15Z)
• Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
  機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。 物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
  論文  参考訳（メタデータ） (2022-03-11T18:27:04Z)
• 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)
• Encoding physics to learn reaction-diffusion processes [18.187800601192787]
  物理構造を符号化するディープラーニングフレームワークが,PDEシステム体制に関する様々な問題に適用可能であることを示す。 物理を符号化する結果の学習パラダイムは、広範囲な数値実験により、高い精度、堅牢性、解釈可能性、一般化可能性を示す。
  論文  参考訳（メタデータ） (2021-06-09T03:02:20Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。