論文の概要: Exploring the Nexus of Many-Body Theories through Neural Network Techniques: the Tangent Model

• arxiv url: http://arxiv.org/abs/2501.15792v1
• Date: Mon, 27 Jan 2025 05:36:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:55:53.215567
• Title: Exploring the Nexus of Many-Body Theories through Neural Network Techniques: the Tangent Model
• Title（参考訳）: ニューラルネットワークによる多体理論のNexus探索:タンジェントモデル
• Authors: Senwei Liang, Karol Kowalski, Chao Yang, Nicholas P. Bauman,
• Abstract要約: 本稿では,結合クラスタダウンフォールディングモデルに関連する効果的な相互作用の物理情報を用いたニューラルネットワーク表現を提案する。 この表現により,化学系の様々な幾何学的構成に対して効果的相互作用を効率的に評価することができる。
• 参考スコア（独自算出の注目度）: 4.955567578189708
• License:
• Abstract: In this paper, we present a physically informed neural network representation of the effective interactions associated with coupled-cluster downfolding models to describe chemical systems and processes. The neural network representation not only allows us to evaluate the effective interactions efficiently for various geometrical configurations of chemical systems corresponding to various levels of complexity of the underlying wave functions, but also reveals that the bare and effective interactions are related by a tangent function of some latent variables. We refer to this characterization of the effective interaction as a tangent model. We discuss the connection between this tangent model for the effective interaction with the previously developed theoretical analysis that examines the difference between the bare and effective Hamiltonians in the corresponding active spaces.
• Abstract（参考訳）: 本稿では,結合クラスタダウンフォールディングモデルに関連する効果的な相互作用を物理情報で表現し,化学システムやプロセスを記述する。 ニューラルネットワーク表現は、基礎となる波動関数の様々なレベルの複雑さに対応する化学系の様々な幾何学的構成に対する効果的な相互作用を効率的に評価するだけでなく、素および有効相互作用が潜伏変数の接関数によって関連していることを明らかにする。 実効的な相互作用のこの特徴を,タンジェントモデルとして言及する。 我々は、この接モデルと、それに対応する活性空間における素と実効ハミルトニアンの違いを調べる前に開発された理論解析との効果的な相互作用の関連について論じる。

関連論文リスト

• Connectivity structure and dynamics of nonlinear recurrent neural networks [46.62658917638706]
  我々は,ニューラルネットワークの高次元,内部的に発生する活動が接続構造をどのように形成するかを解析する理論を開発する。 我々の理論は、ニューラルネットワークアーキテクチャと人工および生物学的システムにおける集合力学を関連付けるためのツールを提供する。
  論文  参考訳（メタデータ） (2024-09-03T15:08:37Z)
• Effective Many-body Interactions in Reduced-Dimensionality Spaces Through Neural Network Models [4.955567578189708]
  我々は、ハミルトニアンの活動空間表現とニューラルネットワークのアプローチの最近の進歩を統合するフレームワークを開発する。 この取り組みの主な目的は、数百から数千のヒューゲン図を評価するのに必要な計算コストのかかるステップを取り除くために、ニューラルネットワークをトレーニングすることである。 分子の原子核測位に有効なハミルトニアンを用いたニューラルネットワークのトレーニングは、それらの形状を他の幾何学的構成に正確に解釈し、外挿することができることを実証する。
  論文  参考訳（メタデータ） (2024-07-08T00:56:24Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Deep Learning-based Analysis of Basins of Attraction [49.812879456944984]
  本研究は,様々な力学系における盆地の複雑さと予測不可能性を特徴づけることの課題に対処する。 主な焦点は、この分野における畳み込みニューラルネットワーク(CNN)の効率性を示すことである。
  論文  参考訳（メタデータ） (2023-09-27T15:41:12Z)
• Collective Relational Inference for learning heterogeneous interactions [8.215734914005845]
  本稿では,従来の手法と比較して2つの特徴を持つ関係推論の確率的手法を提案する。 提案手法を複数のベンチマークデータセットで評価し,既存の手法よりも精度良く対話型を推定できることを実証した。 全体として、提案モデルはデータ効率が高く、より小さなシステムで訓練された場合、大規模システムに対して一般化可能である。
  論文  参考訳（メタデータ） (2023-04-30T19:45:04Z)
• Solving the nuclear pairing model with neural network quantum states [58.720142291102135]
  本稿では,職業数形式論における核多体問題の解法としてモンテカルロ法を提案する。 リコンフィグレーションアルゴリズムのメモリ効率向上版を開発し,ハミルトニアンの期待値を最小限に抑えてネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2022-11-09T00:18:01Z)
• Learning Heterogeneous Interaction Strengths by Trajectory Prediction with Graph Neural Network [0.0]
  地中相互作用強度を考慮せずに連続的に重み付けされた相互作用グラフを推定するための注意関係推論ネットワーク(RAIN)を提案する。 本研究では, シミュレーションされた物理系の連続的な相互作用強度を, 教師なしの方法で正確に推定できることを述べる。
  論文  参考訳（メタデータ） (2022-08-28T09:13:33Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)

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。