論文の概要: Hierarchical autoregressive neural networks in three-dimensional statistical system
- arxiv url: http://arxiv.org/abs/2503.08610v1
- Date: Tue, 11 Mar 2025 16:51:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-12 15:41:33.436626
- Title: Hierarchical autoregressive neural networks in three-dimensional statistical system
- Title（参考訳）: 三次元統計システムにおける階層型自己回帰ニューラルネットワーク
- Authors: Piotr Białas, Vaibhav Chahar, Piotr Korcyl, Tomasz Stebel, Mateusz Winiarski, Dawid Zapolski,
- Abstract要約: ANN(Autoregressive Neural Networks)は、いくつかのスピン系に対するモンテカルロアルゴリズムの効率を改善するメカニズムとして最近提案されている。
本稿では,階層型アルゴリズムを3次元に一般化し,その性能をIsingモデルを用いて検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Autoregressive Neural Networks (ANN) have been recently proposed as a mechanism to improve the efficiency of Monte Carlo algorithms for several spin systems. The idea relies on the fact that the total probability of a configuration can be factorized into conditional probabilities of each spin, which in turn can be approximated by a neural network. Once trained, the ANNs can be used to sample configurations from the approximated probability distribution and to evaluate explicitly this probability for a given configuration. It has also been observed that such conditional probabilities give access to information-theoretic observables such as mutual information or entanglement entropy. So far, these methods have been applied to two-dimensional statistical systems or one-dimensional quantum systems. In this paper, we describe a generalization of the hierarchical algorithm to three spatial dimensions and study its performance on the example of the Ising model. We discuss the efficiency of the training and also describe the scaling with the system's dimensionality by comparing results for two- and three-dimensional Ising models with the same number of spins. Finally, we provide estimates of thermodynamical observables for the three-dimensional Ising model, such as the entropy and free energy in a range of temperatures across the phase transition.
- Abstract（参考訳）: ANN(Autoregressive Neural Networks)は、いくつかのスピン系に対するモンテカルロアルゴリズムの効率を改善するメカニズムとして最近提案されている。
この考え方は、構成の総確率が各スピンの条件確率に分解できるという事実に依存しており、ニューラルネットワークによって近似することができる。
トレーニングが完了すると、ANNは近似された確率分布から構成をサンプリングし、所定の構成に対してこの確率を明示的に評価することができる。
また、このような条件付き確率は、相互情報や絡み合いのエントロピーのような情報理論的な可観測物にアクセスできることも観察されている。
これまでのところ、これらの手法は2次元統計システムや1次元量子システムに応用されている。
本稿では,階層型アルゴリズムを3次元に一般化し,その性能をIsingモデルを用いて検討する。
また,2次元および3次元のイジングモデルと同一のスピン数で結果を比較することで,学習の効率について考察し,システム次元のスケーリングについて述べる。
最後に,3次元イジングモデルに対する熱力学的観測値(エントロピーや自由エネルギーなど)を相転移の温度範囲で推定する。
関連論文リスト
- Rényi entanglement entropy of spin chain with Generative Neural Networks [0.0]
スピン系のR'enyiエンタングルメントエントロピーを推定する手法について述べる。
これは、レプリカのトリックと、明確な確率推定を伴う生成ニューラルネットワークに基づいている。
一次元量子イジングスピン鎖上での本手法の実証を行う。
論文 参考訳（メタデータ） (2024-06-10T11:44:54Z) - Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳（メタデータ） (2024-05-22T17:23:15Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Sampling-Free Probabilistic Deep State-Space Models [28.221200872943825]
確率論的深部SSMは未知のパラメトリック形式の力学系に一般化する。
このタイプのモデルに対する最初の決定論的推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-15T09:06:23Z) - 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) - Deep learning of spatial densities in inhomogeneous correlated quantum
systems [0.0]
ランダムポテンシャルに基づいてトレーニングされた畳み込みニューラルネットワークを用いて,密度の予測が可能であることを示す。
我々は,不均一な状況下での干渉と相互作用の相互作用と相転移を伴うモデルの挙動をうまく扱えることを示す。
論文 参考訳（メタデータ） (2022-11-16T17:10:07Z) - Complexity from Adaptive-Symmetries Breaking: Global Minima in the
Statistical Mechanics of Deep Neural Networks [0.0]
深部ニューラルネットワーク(DNN)を理解するために、物理における保守対称性への適応対称性というアンチセティカル概念を提案する。
我々はDNNシステムの最適化過程を適応対称性破りの拡張プロセスとして特徴付けている。
より具体的には、この過程は統計物理学の一般化として評価できる統計力学モデルによって特徴づけられる。
論文 参考訳（メタデータ） (2022-01-03T09:06:44Z) - Neural-Network Quantum States for Periodic Systems in Continuous Space [66.03977113919439]
我々は、周期性の存在下での強い相互作用を持つシステムのシミュレーションのために、神経量子状態の族を紹介する。
一次元系では、基底状態エネルギーと粒子の放射分布関数を非常に正確に推定する。
二つの次元において基底状態エネルギーの優れた推定値を得るが、これはより伝統的な手法から得られる結果に匹敵する。
論文 参考訳（メタデータ） (2021-12-22T15:27:30Z) - Assessments of model-form uncertainty using Gaussian stochastic weight
averaging for fluid-flow regression [0.0]
我々は,ニューラルネットワークに基づく関数近似に関連したモデル形状の不確実性を評価するために,ガウス量平均化(SWAG)を用いた。
SWAGは、各重量の後方ガウス分布、与えられたトレーニングデータ、一定の学習率を近似する。
本稿では,2種類のニューラルネットワークに適用可能であることを示す。
論文 参考訳（メタデータ） (2021-09-16T23:13:26Z) - State preparation and measurement in a quantum simulation of the O(3)
sigma model [65.01359242860215]
我々は,非線型O(3)シグマモデルの固定点が,格子サイトあたり2キュービットしか持たないスピンモデルの量子相転移付近で再現可能であることを示す。
本稿では,弱い結合状態と量子臨界状態の両方において,断熱的基底状態の準備が複雑になる結果を得るためにトロッター法を適用した。
非単位ランダム化シミュレーション法に基づく量子アルゴリズムの提案と解析を行う。
論文 参考訳（メタデータ） (2020-06-28T23:44:12Z) - Gaussian Process States: A data-driven representation of quantum
many-body physics [59.7232780552418]
我々は、絡み合った多体量子状態をコンパクトに表現するための、新しい非パラメトリック形式を示す。
この状態は、非常にコンパクトで、体系的に即効性があり、サンプリングに効率的である。
また、量子状態に対する普遍的な近似器として証明されており、データセットのサイズが大きくなるにつれて、絡み合った多体状態も捉えることができる。
論文 参考訳（メタデータ） (2020-02-27T15:54:44Z)
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。