論文の概要: Extracting Nonlinear Dynamical Response Functions from Time Evolution

• arxiv url: http://arxiv.org/abs/2507.07679v1
• Date: Thu, 10 Jul 2025 12:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.383569
• Title: Extracting Nonlinear Dynamical Response Functions from Time Evolution
• Title（参考訳）: 時間進化からの非線形動的応答関数の抽出
• Authors: Atsushi Ono,
• Abstract要約: 物理量の時間的進化から非線形動的応答関数を抽出する関数微分に基づく一般フレームワークを開発する。 ライス・ミールモデルにおける2次および3次光学応答の計算によるアプローチの検証を行った。 このフレームワークは、動的システムの非線形応答を調査するための強力で汎用的なツールを提供する、リアルタイムダイナミクスを計算できるあらゆる方法に適用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a general framework based on the functional derivative to extract nonlinear dynamical response functions from the temporal evolution of physical quantities, without explicitly computing multipoint correlation functions. We validate our approach by calculating the second- and third-order optical responses in the Rice-Mele model and further apply it to a many-body interacting system using a tensor network method. This framework is broadly applicable to any method that can compute real-time dynamics, offering a powerful and versatile tool for investigating nonlinear responses in dynamical systems.
• Abstract（参考訳）: 多点相関関数を明示的に計算することなく、物理量の時間的進化から非線形動的応答関数を抽出する関数微分に基づく一般的なフレームワークを開発する。 我々は,ライス・ミールモデルにおける2次および3次光学応答を計算し,テンソルネットワーク法を用いて多体インタラクションシステムに適用することによって,我々のアプローチを検証する。 このフレームワークは、動的システムの非線形応答を調査するための強力で汎用的なツールを提供する、リアルタイムダイナミクスを計算できるあらゆる方法に適用できる。

関連論文リスト

• Learning Chaotic Dynamics with Neuromorphic Network Dynamics [0.0]
  本研究では,力学系であるニューロモルフィックネットワークを用いて動的システムを学習し,モデル化する方法について検討する。 本研究で使用されるニューロモルフィック・ネットワークは,入力された電気信号に対するニューロシナプス非線形応答を生じさせる旋律素子からなる複雑な電気回路に基づいている。
  論文  参考訳（メタデータ） (2025-06-12T14:50:55Z)
• Uncovering the Functional Roles of Nonlinearity in Memory [2.315156126698557]
  我々は、繰り返しネットワークにおける非線形性の機能的役割を系統的に解明するために、性能比較を超えていく。 ニアリニアリカレントニューラルネットワーク(AL-RNN)を用いて非線形性に対するきめ細かい制御を可能にする。 最小の非線形性は十分であるだけでなく、しばしば最適であり、より単純で、より堅牢で、完全に非線形あるいは線形なモデルよりも解釈可能なモデルが得られる。
  論文  参考訳（メタデータ） (2025-06-09T16:32:19Z)
• Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
  リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。 線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。 数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
  論文  参考訳（メタデータ） (2025-04-16T10:39:43Z)
• Learnable Infinite Taylor Gaussian for Dynamic View Rendering [55.382017409903305]
  本稿では,ガウスの時間的進化をモデル化するための学習可能なテイラー式に基づく新しいアプローチを提案する。 提案手法は,本領域における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-12-05T16:03:37Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• 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)
• Decomposed Linear Dynamical Systems (dLDS) for learning the latent components of neural dynamics [6.829711787905569]
  本稿では,時系列データの非定常および非線形の複雑なダイナミクスを表現した新しい分解力学系モデルを提案する。 我々のモデルは辞書学習によって訓練され、最近の結果を利用してスパースベクトルを時間とともに追跡する。 連続時間と離散時間の両方の指導例において、我々のモデルは元のシステムによく近似できることを示した。
  論文  参考訳（メタデータ） (2022-06-07T02:25:38Z)
• Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear Dynamics [49.41640137945938]
  ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。 提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。 提案手法の有効性を,固有値推定と予測性能の観点から実証した。
  論文  参考訳（メタデータ） (2020-12-11T08:34:26Z)

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。