論文の概要: Quantum Neural Network Restatement of Markov Jump Process

• arxiv url: http://arxiv.org/abs/2503.20742v1
• Date: Wed, 26 Mar 2025 17:25:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 13:21:18.293170
• Title: Quantum Neural Network Restatement of Markov Jump Process
• Title（参考訳）: マルコフジャンプ過程の量子神経回路
• Authors: Z. Zarezadeh, N. Zarezadeh,
• Abstract要約: 論文は、量子力学系における難しい問題の設計、適応、定式化に関する問題に特化している。 機械知能システムの理論的および数値的研究への障害の1つは、次元の呪いと高次元確率分布からのサンプリングである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Despite the many challenges in exploratory data analysis, artificial neural networks have motivated strong interests in scientists and researchers both in theoretical as well as practical applications. Among sources of such popularity of artificial neural networks the ability of modeling non-linear dynamical systems, generalization, and adaptation possibilities should be mentioned. Despite this, there is still significant debate about the role of various underlying stochastic processes in stabilizing a unique structure for data learning and prediction. One of such obstacles to the theoretical and numerical study of machine intelligent systems is the curse of dimensionality and the sampling from high-dimensional probability distributions. In general, this curse prevents efficient description of states, providing a significant complexity barrier for the system to be efficiently described and studied. In this strand of research, direct treatment and description of such abstract notions of learning theory in terms of quantum information be one of the most favorable candidates. Hence, the subject matter of these articles is devoted to problems of design, adaptation and the formulations of computationally hard problems in terms of quantum mechanical systems. In order to characterize the microscopic description of such dynamics in the language of inferential statistics, covariance matrix estimation of d-dimensional Gaussian densities and Bayesian interpretation of eigenvalue problem for dynamical systems is assessed.
• Abstract（参考訳）: 探索的データ分析における多くの課題にもかかわらず、ニューラルネットワークは理論的にも実用的にも科学者や研究者に強い関心を寄せている。 このようなニューラルネットワークの普及源として、非線形力学系をモデル化する能力、一般化、適応可能性を挙げるべきである。 それにもかかわらず、データ学習と予測のためのユニークな構造を安定化する上で、様々な基礎となる確率過程が果たす役割について、依然として重要な議論がある。 機械知能システムの理論的および数値的研究への障害の1つは、次元の呪いと高次元確率分布からのサンプリングである。 一般に、この呪文は状態の効率的な記述を防ぎ、システムの効率的な記述と研究のための重要な複雑さの障壁を提供する。 この研究のストランドでは、量子情報の観点から学習理論の抽象概念を直接扱い、記述することが最も好ましい候補の1つである。 したがって、これらの論文の主題は、量子力学系の観点から計算的に難しい問題を設計、適応、定式化することに集中している。 推論統計学の言語におけるそのような力学の微視的記述を特徴づけるために、d-次元ガウス密度の共分散行列推定と力学系における固有値問題のベイズ解釈を評価する。

関連論文リスト

• Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks [0.0]
  本稿では,物理インフォームドニューラルネットワーク(PINN)を用いた力学系の同定と推定について検討する。 PINNは、既知の物理法則をニューラルネットワークの損失関数に直接埋め込むことによって、複雑な現象の単純な埋め込みを可能にするユニークな利点を提供する。 その結果、PINNは上記のすべてのタスクに対して、たとえモデルエラーがあっても、効率的なツールを提供することを示した。
  論文  参考訳（メタデータ） (2024-10-02T08:58:30Z)
• Neural Incremental Data Assimilation [8.817223931520381]
  ニューラルネットワークによってパラメータ化された粗いガウス分布の列として物理系をモデル化する深層学習手法を提案する。 これにより、再構築エラーを最小限に抑えるためにエンドツーエンドで訓練された同化演算子を定義することができる。 本稿では,疎度観測によるカオス力学系へのアプローチについて述べるとともに,従来の変分データ同化法と比較する。
  論文  参考訳（メタデータ） (2024-06-21T11:42:55Z)
• 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)
• 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)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Encoding physics to learn reaction-diffusion processes [18.187800601192787]
  物理構造を符号化するディープラーニングフレームワークが,PDEシステム体制に関する様々な問題に適用可能であることを示す。 物理を符号化する結果の学習パラダイムは、広範囲な数値実験により、高い精度、堅牢性、解釈可能性、一般化可能性を示す。
  論文  参考訳（メタデータ） (2021-06-09T03:02:20Z)
• Physics-aware, deep probabilistic modeling of multiscale dynamics in the Small Data regime [0.0]
  本稿では,予測的,低次元粗粒度(CG)変数を同時に同定する確率論的視点を提供する。 我々は、CG進化法則の右辺を表すために、ディープニューラルネットワークの表現能力を活用している。 移動粒子の高次元システムにおいて,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-02-08T15:04:05Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)
• Quantum Non-equilibrium Many-Body Spin-Photon Systems [91.3755431537592]
  論文は、非平衡状態における強相関量子系の量子力学に関するものである。 本研究の主な成果は, 臨界ダイナミクスのシグナチャ, 超ストロング結合のテストベッドとしての駆動ディックモデル, キブルズルーク機構の3つにまとめることができる。
  論文  参考訳（メタデータ） (2020-07-23T19:05:56Z)
• Incorporating physical constraints in a deep probabilistic machine learning framework for coarse-graining dynamical systems [7.6146285961466]
  本稿では,予測の不確実性の定量化を可能にする,データに基づく確率論的視点を提供する。 確率的状態空間モデルを用いて粗粒化過程を定式化する。 完全な微細なシステムの進化を再構築することができる。
  論文  参考訳（メタデータ） (2019-12-30T16:07:46Z)

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。