論文の概要: Long-term excitation energy transfer predicted by a modified convolutional neural networks in the FMO complexes

• arxiv url: http://arxiv.org/abs/2503.17430v2
• Date: Tue, 25 Mar 2025 01:51:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 10:44:01.805459
• Title: Long-term excitation energy transfer predicted by a modified convolutional neural networks in the FMO complexes
• Title（参考訳）: FMO複合体における畳み込みニューラルネットワークによる長期励起エネルギー伝達予測
• Authors: Yi-Meng Huang, Zi-Ran Zhao, Shun-Cai Zhao,
• Abstract要約: 本稿では,Fenna-Matthews-Olson錯体における100ピコ秒(ps)励起エネルギー伝達(EET)を予測するために,新しい冗長時間関数を組み込んだ効率的なCNN手法を提案する。 本手法は最適化を単純化し,学習効率を向上し,量子散逸ダイナミクスの予測におけるアプローチの精度,堅牢性,効率性を実証する。
• 参考スコア（独自算出の注目度）: 0.49157446832511503
• License:
• Abstract: In machine learning (ML), the risk of recursive strategies overfitting historical data has driven the development of convolutional neural networks (CNNs) in simulating quantum dissipative dynamics. In this work, we propose an efficient CNNs scheme incorporating novel redundant time-functions to predict 100 picosecond (ps) excitation energy transfer (EET) in Fenna-Matthews-Olson (FMO) complexes, in which the original time $t$ is normalized by mapping it to the [0, 1] range, allowing different functions focus on distinct time intervals, thereby effectively capturing the multi-timescale characteristics of EET dynamics. This method simplifies optimization and enhances learning efficiency, and demonstrate the superior accuracy, robustness, and efficiency of our approach in predicting quantum dissipative dynamics.
• Abstract（参考訳）: 機械学習(ML)では、歴史的データに適合する再帰戦略のリスクにより、量子散逸ダイナミクスをシミュレートする畳み込みニューラルネットワーク(CNN)の開発が進められている。 本研究では,Fenna-Matthews-Olson (FMO) 錯体における100ピコ秒 (ps) 励起エネルギー伝達 (EET) を予測するために,新しい冗長な時間関数を組み込んだ効率的なCNN手法を提案する。 本手法は最適化を単純化し,学習効率を向上し,量子散逸ダイナミクスの予測におけるアプローチの精度,堅牢性,効率性を実証する。

関連論文リスト

• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Enhancing Open Quantum Dynamics Simulations Using Neural Network-Based Non-Markovian Stochastic Schrödinger Equation Method [2.9413085575648235]
  ニューラルネットワーク技術と非マルコフシュロディンガー方程式のシミュレーションを組み合わせる手法を提案する。 このアプローチは、特に低温での長時間シミュレーションに必要な軌道の数を著しく減少させる。
  論文  参考訳（メタデータ） (2024-11-24T16:57:07Z)
• A short trajectory is all you need: A transformer-based model for long-time dissipative quantum dynamics [0.0]
  深層人工知能ニューラルネットワークは、散逸環境に結合した量子システムの長時間の人口動態を予測することができることを示す。 我々のモデルは、リカレントニューラルネットワークのような古典的な予測モデルよりも正確です。
  論文  参考訳（メタデータ） (2024-09-17T16:17:52Z)
• Advancing Spatio-Temporal Processing in Spiking Neural Networks through Adaptation [6.233189707488025]
  ニューロモルフィックハードウェア上のニューラルネットワークは、非喫煙者よりも消費電力の少ないオーダーを約束する。 このようなシステム上でのスパイクベースの計算のための標準的なニューロンモデルは、長い間、統合と火災(LIF)ニューロンであった。 いわゆるアダプティブLIFニューロンの根源はよく分かっていない。
  論文  参考訳（メタデータ） (2024-08-14T12:49:58Z)
• Neuroevolving Electronic Dynamical Networks [0.0]
  ニューロ進化(Neuroevolution)は、自然選択によって人工ニューラルネットワークの性能を改良するために進化的アルゴリズムを適用する方法である。 連続時間リカレントニューラルネットワーク(CTRNN)の適合性評価は、時間と計算コストがかかる可能性がある。 フィールドプログラマブルゲートアレイ(FPGA)は、高性能で消費電力の少ないため、ますます人気が高まっている。
  論文  参考訳（メタデータ） (2024-04-06T10:54:35Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by Spiking Neural Network [68.43026108936029]
  雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。 このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。 実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-07T08:22:56Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)
• Flexible Transmitter Network [84.90891046882213]
  現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。 本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。 本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
  論文  参考訳（メタデータ） (2020-04-08T06:55:12Z)

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。