Fugu-MT 論文翻訳(概要): Predictive Modeling of Classical and Quantum Mechanics Using Machine Learning: A Case Study with TensorFlow

論文の概要: Predictive Modeling of Classical and Quantum Mechanics Using Machine Learning: A Case Study with TensorFlow

arxiv url: http://arxiv.org/abs/2502.05621v1
Date: Sat, 08 Feb 2025 16:02:03 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-11 14:31:15.813707
Title: Predictive Modeling of Classical and Quantum Mechanics Using Machine Learning: A Case Study with TensorFlow
Title（参考訳）: 機械学習を用いた古典力学と量子力学の予測モデリング:TensorFlowを用いたケーススタディ
Authors: Enis Yazici,
Abstract要約: 本稿では,古典系と量子系の両方の挙動を予測するための機械学習手法を提案する。古典的領域では、標準人工ニューラルネットワーク(ANN)と物理インフォームドニューラルネットワーク(PINN)の両方を用いて、複数の力の振り子をモデル化する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: In this paper, we present several machine learning approaches for predicting the behavior of both classical and quantum systems. For the classical domain, we model a pendulum subject to multiple forces using both a standard artificial neural network (ANN) and a physics-informed neural network (PINN). For the quantum domain, we predict the ground state energy of a quantum anharmonic oscillator from discretized potential data using an ANN with convolutional layers (CNN), a long short-term memory (LSTM) network, and a PINN that incorporates the Schr\"odinger equation. Detailed training outputs and comparisons are provided.
Abstract（参考訳）: 本稿では,古典系と量子系の両方の挙動を予測するための機械学習手法を提案する。古典的領域では、標準人工ニューラルネットワーク(ANN)と物理インフォームドニューラルネットワーク(PINN)の両方を用いて、複数の力の振り子をモデル化する。量子領域に対しては、畳み込み層(CNN)を持つANN、長い短期記憶(LSTM)ネットワーク、およびシュリンガー方程式を組み込んだPINNを用いて、量子無調波発振器の基底状態エネルギーを予測する。詳細なトレーニング出力と比較が提供される。

関連論文リスト

Let the Quantum Creep In: Designing Quantum Neural Network Models by Gradually Swapping Out Classical Components [1.024113475677323]
現代のAIシステムはニューラルネットワーク上に構築されることが多い。古典的ニューラルネットワーク層を量子層に置き換える枠組みを提案する。画像分類データセットの数値実験を行い、量子部品の体系的導入による性能変化を実証する。
論文参考訳（メタデータ） (2024-09-26T07:01:29Z)
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)
A Quantum Leaky Integrate-and-Fire Spiking Neuron and Network [0.0]
量子ニューロモルフィックコンピューティングのための新しいソフトウェアモデルを導入する。量子スパイクニューラルネットワーク(QSNN)と量子スパイク畳み込みニューラルネットワーク(QSCNN)の構築において,これらのニューロンを構築ブロックとして利用する。
論文参考訳（メタデータ） (2024-07-23T11:38:06Z)
Arbitrary Polynomial Separations in Trainable Quantum Machine Learning [0.8532753451809455]
量子機械学習の最近の理論的結果は、量子ニューラルネットワーク(QNN)の表現力とトレーニング可能性との一般的なトレードオフを示している。我々は、文脈性が表現性分離の源であることを示し、この性質を持つ他の学習タスクが量子学習アルゴリズムの使用の自然な設定である可能性を示唆している。
論文参考訳（メタデータ） (2024-02-13T17:12:01Z)
ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文参考訳（メタデータ） (2023-08-22T09:11:53Z)
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)
Classical-to-quantum convolutional neural network transfer learning [1.9336815376402723]
量子畳み込みニューラルネットワーク(QCNN)を用いた機械学習は、量子データ分類と古典データ分類の両方で成功している。ノイズの多い中規模量子時代に小さなQCNNを利用するための効果的な方法として転送学習を提案する。
論文参考訳（メタデータ） (2022-08-31T09:15:37Z)
Mutual Reinforcement between Neural Networks and Quantum Physics [0.0]
量子機械学習は、量子力学と機械学習の共生から生まれる。古典的な機械学習を量子物理学問題に適用するためのツールとして使う。量子パーセプトロンの力学に基づく量子ニューラルネットワークの設計と、短絡の断熱への応用は、短時間の動作時間と堅牢な性能をもたらす。
論文参考訳（メタデータ） (2021-05-27T16:20:50Z)
The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文参考訳（メタデータ） (2021-03-08T17:24:29Z)
Quantum Deformed Neural Networks [83.71196337378022]
我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
論文参考訳（メタデータ） (2020-10-21T09:46:12Z)
Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。