論文の概要: Using machine learning to map simulated noisy and laser-limited multidimensional spectra to molecular electronic couplings

• arxiv url: http://arxiv.org/abs/2503.15706v1
• Date: Wed, 19 Mar 2025 21:40:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:35:02.196491
• Title: Using machine learning to map simulated noisy and laser-limited multidimensional spectra to molecular electronic couplings
• Title（参考訳）: 機械学習を用いた分子電子カップリングへのシミュレートノイズとレーザー制限多次元スペクトルのマッピング
• Authors: Jonathan D. Schultz, Kelsey A. Parker, Bashir Sbaiti, David N. Beratan,
• Abstract要約: 実験的な2次元スペクトルデータに関連する因子が、シミュレーションされた2DESスペクトルを分子間電子カップリングにマッピングするNNの能力にどのように影響するかを示す。 人による2DESデータの解析とは対照的に,ポンプパルスの帯域幅と中心周波数に制約された場合,NNの精度は大幅に向上する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Two-dimensional electronic spectroscopy (2DES) has enabled significant discoveries in both biological and synthetic energy-transducing systems. Although deriving chemical information from 2DES is a complex task, machine learning (ML) offers exciting opportunities to translate complicated spectroscopic data into physical insight. Recent studies have found that neural networks (NNs) can map simulated multidimensional spectra to molecular-scale properties with high accuracy. However, simulations often do not capture experimental factors that influence real spectra, including noise and suboptimal pulse resonance conditions, bringing into question the experimental utility of NNs trained on simulated data. Here, we show how factors associated with experimental 2D spectral data influence the ability of NNs to map simulated 2DES spectra onto underlying intermolecular electronic couplings. By systematically introducing multisourced noise into a library of 356000 simulated 2D spectra, we show that noise does not hamper NN performance for spectra exceeding threshold signal-to-noise ratios (SNR) (> 6.6 if background noise dominates vs. > 2.5 for intensity-dependent noise). In stark contrast to human-based analyses of 2DES data, we find that the NN accuracy improves significantly (ca. 84% $\rightarrow$ 96%) when the data are constrained by the bandwidth and center frequency of the pump pulses. This result is consistent with the NN learning the optical trends described by Kasha's theory of molecular excitons. Our findings convey positive prospects for adapting simulation-trained NNs to extract molecular properties from inherently imperfect experimental 2DES data. More broadly, we propose that machine-learned perspectives of nonlinear spectroscopic data may produce unique and, perhaps, counterintuitive guidelines for experimental design.
• Abstract（参考訳）: 2次元電子分光法(2DES)は、生物学的および合成エネルギー伝達系において重要な発見を可能にしている。 2DESから化学情報を抽出することは複雑な作業であるが、機械学習(ML)は複雑な分光データを物理的洞察に翻訳するエキサイティングな機会を提供する。 近年の研究では、ニューラルネットワーク(NN)がシミュレーションされた多次元スペクトルを高精度に分子スケール特性にマッピングできることが判明している。 しかし、シミュレーションは、ノイズや準最適パルス共鳴条件を含む実スペクトルに影響を与える実験的要因を捉えないことが多く、シミュレーションデータに基づいて訓練されたNNの実験的有用性に疑問が呈される。 本稿では、実験2次元スペクトルデータに関連する要因が、シミュレーション2DESスペクトルを基礎となる分子間電子カップリングにマッピングするNNの能力にどのように影響するかを示す。 シミュレーションされた356000個の2次元スペクトルのライブラリにマルチソースノイズを体系的に導入することにより、閾値信号-雑音比(SNR)を超えるスペクトルのNN性能を阻害しないことを示す(背景ノイズが支配的である場合の6.6と強度依存雑音の場合2.5)。 人による2DESデータの解析とは対照的に,NNの精度は著しく向上している(ca。 84%$\rightarrow$96%) データはポンプパルスの帯域幅と中心周波数に制約されている。 この結果は、カシャの分子励起子理論によって記述された光学的傾向をNNが学習することと一致している。 実験2DESデータから分子特性を抽出するため,シミュレーション訓練NNを適応させる可能性について検討した。 より広範に、非線形分光データの機械学習的視点が、実験設計の独特で、おそらくは反直観的なガイドラインを生み出す可能性があることを提案する。

関連論文リスト

• 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$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Ambiguous Resonances in Multipulse Quantum Sensing with Nitrogen Vacancy Centers [0.2686836573610359]
  ダイヤモンド中の1つの窒素空孔中心に存在する3つの効果を実験的に評価した。 また、回転波近似を伴わない数値シミュレーションモデルを開発し、実験データに頑健な相関関係を示した。 窒素空孔中心と動的デカップリング配列に焦点が当てられているが、これらの結果と開発モデルは他の固体スピンや量子センシング技術にも適用できる可能性がある。
  論文  参考訳（メタデータ） (2024-07-12T16:35:36Z)
• Machine Learning for Exoplanet Detection in High-Contrast Spectroscopy: Revealing Exoplanets by Leveraging Hidden Molecular Signatures in Cross-Correlated Spectra with Convolutional Neural Networks [0.0]
  分光の相互相関は、惑星のスペクトルを主星から分離するために分子テンプレートを用いる。 我々は、相互相関分光(MLCCS)のための機械学習を導入する。 この手法は、大気中の特定の分子の存在など、外惑星の特徴付けに関する弱い仮定を活用し、外惑星の検出感度を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-05-22T09:25:58Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
  PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。 これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。 このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。 我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
  論文  参考訳（メタデータ） (2022-02-27T23:12:43Z)
• Unsupervised Spectral Unmixing For Telluric Correction Using A Neural Network Autoencoder [58.720142291102135]
  本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T12:54:48Z)
• Visualizing spinon Fermi surfaces with time-dependent spectroscopy [62.997667081978825]
  固体系において確立されたツールである時間依存性光電子分光法を低温原子量子シミュレーターに応用することを提案する。 1次元の$t-J$モデルの正確な対角化シミュレーションで、スピノンが非占有状態の効率的なバンド構造に出現し始めることを示す。 ポンプパルス後のスペクトル関数の依存性はスピノン間の集団的相互作用を明らかにする。
  論文  参考訳（メタデータ） (2021-05-27T18:00:02Z)
• Learning the exchange-correlation functional from nature with fully differentiable density functional theory [0.0]
  我々は、完全に微分可能な3次元コーン・シャム密度汎関数論フレームワーク内での交換相関関数を置き換えるためにニューラルネットワークを訓練する。 我々の訓練された交換相関ネットワークは110分子の集合体における原子化とイオン化エネルギーの予測を改善した。
  論文  参考訳（メタデータ） (2021-02-08T14:25:10Z)
• Deep learning and high harmonic generation [0.0]
  我々は,高調波発生(hhg)シナリオに適用する場合に,様々な深層ニューラルネットワーク(nns)の有用性を検討する。 まず,二原子系および三原子系の低次元モデルから時間依存双極子およびhhg放出スペクトルを予測するためにnnsを訓練する。 次に,ネットワークに適用可能性の範囲を広げるために,転送学習をネットワークに適用できることを実証する。
  論文  参考訳（メタデータ） (2020-12-18T16:13:17Z)
• Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
  機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。 本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。 実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-31T17:25:12Z)
• Heuristic machinery for thermodynamic studies of SU(N) fermions with neural networks [1.1910997817688513]
  機械学習分析を用いて機械を導入する。 我々は、SU($N$)スピン対称性内で相互作用する超低温フェルミオンの密度プロファイルにおける熱力学的研究の導出に機械を用いる。 我々の機械学習フレームワークは、SU($N$) フェルミ液体の理論的記述を検証できる可能性を示している。
  論文  参考訳（メタデータ） (2020-06-25T02:31:55Z)

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。