論文の概要: AdS/Deep-Learning made easy II: neural network-based approaches to holography and inverse problems

• arxiv url: http://arxiv.org/abs/2511.22522v1
• Date: Thu, 27 Nov 2025 15:02:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.617155
• Title: AdS/Deep-Learning made easy II: neural network-based approaches to holography and inverse problems
• Title（参考訳）: AdS/Deep-Learningは簡単II:ニューラルネットワークによるホログラフィーと逆問題へのアプローチ
• Authors: Hyun-Sik Jeong, Hanse Kim, Keun-Young Kim, Gaya Yun, Hyeonwoo Yu, Kwan Yun,
• Abstract要約: ホログラフィック逆問題を導入し、PIMLがバルク時空を再構成する方法を実証する。 このようなホログラフィック問題は、古典力学における逆問題とどのように類似するかを明確に示す。 また、従来のニューラルネットワークに代わるものとして、KAN(Kolmogorov-Arnold Networks)についても検討する。
• 参考スコア（独自算出の注目度）: 3.324986723090369
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We apply physics-informed machine learning (PIML) to solve inverse problems in holography and classical mechanics, focusing on neural ordinary differential equations (Neural ODEs) and physics-informed neural networks (PINNs) for solving non-linear differential equations of motion. First, we introduce holographic inverse problems and demonstrate how PIML can reconstruct bulk spacetime and effective potentials from boundary quantum data. To illustrate this, two case studies are explored: the QCD equation of state in holographic QCD and $T$-linear resistivity in holographic strange metals. Additionally, we explicitly show how such holographic problems can be analogized to inverse problems in classical mechanics, modeling frictional forces with neural networks. We also explore Kolmogorov-Arnold Networks (KANs) as an alternative to traditional neural networks, offering more efficient solutions in certain cases. This manuscript aim to provide a systematic framework for using neural networks in inverse problems, serving as a comprehensive reference for researchers in machine learning for high-energy physics, with methodologies that also have broader applications in mathematics, engineering, and the natural sciences.
• Abstract（参考訳）: ホログラフィーと古典力学の逆問題に対する物理インフォームド・機械学習(PIML)を適用し、ニューラル常微分方程式(Neural ODEs)と物理インフォームド・ニューラルネットワーク(PINNs)に着目し、非線形な運動の微分方程式を解く。 まず、ホログラフィック逆問題を導入し、PIMLが境界量子データからバルク時空と有効ポテンシャルを再構成する方法を実証する。 これを説明するために、ホログラフィックQCDにおけるQCD方程式とホログラフィックの奇妙な金属における$T$線形比抵抗の2つのケーススタディが研究されている。 さらに、このようなホログラフィック問題を古典力学の逆問題に類似させ、ニューラルネットワークによる摩擦力をモデル化する方法を明示的に示す。 また、従来のニューラルネットワークに代わるものとしてKAN(Kolmogorov-Arnold Networks)についても検討し、場合によってはより効率的なソリューションを提供しています。 この原稿は、高エネルギー物理学のための機械学習研究者の包括的な参照として機能し、また数学、工学、自然科学に広く応用された方法論を用いて、逆問題でニューラルネットワークを使用するための体系的なフレームワークを提供することを目的としている。

関連論文リスト

• Physics-informed neural networks viewpoint for solving the Dyson-Schwinger equations of quantum electrodynamics [0.0]
  物理インフォームドニューラルネットワーク(PINN)は、ユークリッド空間における量子電磁力学(QED)のダイソン・シュウィンガー方程式を解くために用いられる。 我々のPINNフレームワークは、積分方程式を直接損失関数に挿入することで、単一ニューラルネットワークがモータのスペクトル上での質量関数の連続的かつ微分可能な表現を学習することができる。
  論文  参考訳（メタデータ） (2024-11-04T15:36:17Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• An Analysis of Physics-Informed Neural Networks [0.0]
  我々は物理システム – 物理インフォームドニューラルネットワーク – に対する解を近似する新しいアプローチを提案する。 人工ニューラルネットワークの概念を導入し、目的関数を定義し、最適化戦略について議論する。 偏微分方程式は、問題の損失関数の制約として含まれ、ネットワークがモデリングしている物理系の力学の知識にアクセスできる。
  論文  参考訳（メタデータ） (2023-03-06T04:45:53Z)
• Spiking neural network for nonlinear regression [68.8204255655161]
  スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。 彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。 スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-06T13:04:45Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Physics-informed ConvNet: Learning Physical Field from a Shallow Neural Network [0.180476943513092]
  マルチ物理システムのモデル化と予測は、避けられないデータ不足とノイズのために依然として課題である。 物理インフォームド・コンボリューション・ネットワーク(PICN)と呼ばれる新しいフレームワークは、CNNの観点から推奨されている。 PICNは物理インフォームド機械学習において、代替のニューラルネットワークソルバとなる可能性がある。
  論文  参考訳（メタデータ） (2022-01-26T14:35:58Z)
• Physics informed neural networks for continuum micromechanics [68.8204255655161]
  近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。 グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。 実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
  論文  参考訳（メタデータ） (2021-10-14T14:05:19Z)
• Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
  科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。 既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。 これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
  論文  参考訳（メタデータ） (2021-09-02T16:06:45Z)
• Conditional physics informed neural networks [85.48030573849712]
  固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。 一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
  論文  参考訳（メタデータ） (2021-04-06T18:29:14Z)
• Partial Differential Equations is All You Need for Generating Neural Architectures -- A Theory for Physical Artificial Intelligence Systems [40.20472268839781]
  我々は、統計物理学における反応拡散方程式、量子力学におけるシュル・オーディンガー方程式、同軸光学におけるヘルムホルツ方程式を一般化する。 数値解を求めるためにNPDEを離散化するために有限差分法を用いる。 多層パーセプトロン、畳み込みニューラルネットワーク、リカレントニューラルネットワークなど、ディープニューラルネットワークアーキテクチャの基本構築ブロックが生成される。
  論文  参考訳（メタデータ） (2021-03-10T00:05:46Z)

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。