論文の概要: Comparison between explicit and implicit discretization strategies for a dissipative thermal environment
- arxiv url: http://arxiv.org/abs/2601.13103v1
- Date: Mon, 19 Jan 2026 14:41:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-21 22:47:22.931983
- Title: Comparison between explicit and implicit discretization strategies for a dissipative thermal environment
- Title（参考訳）: 放散熱環境における明示的・暗黙的な判別方法の比較
- Authors: Xinxian Chen, Ignacio Franco,
- Abstract要約: 多層型マルチコンフィグレーション時間依存Hartree(ML-MCTDH)による)と暗示密度行列に基づくマスター方程式法(TTN-HEOM)による明示的な波動関数に基づく離散化の比較を行った。
指数的に減衰する浴の相関関数を特徴とする消散浴では, HEOMの暗黙の離散化アプローチは, 浴の離散調和モードへの明示的な離散化よりも有意に効率的である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We investigate strategies for simulating open quantum systems coupled to dissipative baths by comparing explicit wave function-based discretization [via multi-layer multi-configuration time-dependent Hartree (ML-MCTDH)] and the implicit density matrix-based master equation method [via tree tensor network hierarchical equations of motion (TTN-HEOM)]. For dissipative baths characterized by exponentially decaying bath correlation functions, the implicit discretization approach of HEOM -- rooted in bath correlation function decompositions -- proves significantly more efficient than explicit discretization of the bath into discrete harmonic modes. Explicit methods, like ML-MCTDH, require extensive mode discretization to approximate continuum baths, leading to computational bottlenecks. Case studies for two-level systems and a Fenna--Matthews--Olson complex model highlight TTN-HEOM's superiority in capturing dissipative dynamics with relaxations with a minimal number of auxiliary modes, while the explicit methods are as exact as the HEOM in pure dephasing regimes. This comparison is enabled by the TENSO package, which has both ML-MCTDH and TTN-HEOM implemented using the same computational structure and propagation strategy.
- Abstract（参考訳）: 本研究では,多層波動関数に基づく離散化(ML-MCTDH)と暗示密度行列に基づくマスター方程式法(TTN-HEOM)を比較することで,消散浴に結合したオープン量子系をシミュレーションする方法を検討する。
浴の相関関数を指数的に減衰させるのが特徴の消散浴の場合,浴の相関関数分解に根ざしたHEOMの暗黙の離散化アプローチは,浴の離散調和モードへの明示的な離散化よりもはるかに効率的である。
ML-MCTDHのような明示的な手法は連続体浴を近似するために広範囲なモードの離散化を必要とし、計算のボトルネックを引き起こす。
2レベルシステムとFenna-Matthews-Olson複素モデルのケーススタディでは、TTN-HEOMが最小限の補助モードで緩和された散逸動力学を捉えるのに優れており、明示的な手法は純粋に嫌悪された状態におけるHEOMと同程度に正確である。
この比較は、ML-MCTDHとTTN-HEOMの両方を同じ計算構造と伝播戦略で実装したTENSOパッケージによって実現されている。
関連論文リスト
- Sampling by averaging: A multiscale approach to score estimation [4.003851730099099]
複雑で正規化されていないターゲット分布から,マルチスケールのダイナミックスを活用することで,効率的なサンプリングを行うための新しいフレームワークを提案する。
MultALMCとMultCDiffの2つのアルゴリズムが開発された。
このフレームワークは、学生のtベースのノイズモデルと調整された高速プロセスダイナミクスを用いて、重次元のターゲット分布を扱うように拡張されている。
論文 参考訳（メタデータ） (2025-08-20T21:09:34Z) - Nonparametric learning of stochastic differential equations from sparse and noisy data [2.389598109913754]
強い構造仮定なしでデータから直接ドリフト関数を学習する。
我々は,新しいモンテカルロ法(SMC)を用いた期待最大化法(EM)アルゴリズムを開発した。
EM-SMC-RKHS法により、低データ状態における力学系のドリフト関数を正確に推定できる。
論文 参考訳（メタデータ） (2025-08-15T17:01:59Z) - Scalable Distributed Memory Implementation of the Quasi-Adiabatic Propagator Path Integral [0.0]
本研究では,影響係数の粗粒化をマスク支援した分散メモリのスケーラブルな実装を提案する。
この方法は、複数の計算ノードのメモリリソースを利用して、新しいプリマージアルゴリズムによってメモリボトルネックを緩和する。
新しい実装の効率は、大規模な散逸型量子力学シミュレーションで実証されている。
論文 参考訳（メタデータ） (2025-06-03T17:56:18Z) - Efficient Pseudomode Representation and Complexity of Quantum Impurity Models [0.7373617024876725]
平衡外フェルミオン量子不純物モデル(英語版)(QIM)は、連続するフェルミオン浴に結合された小さな相互作用系を記述する。
複雑な指数関数の和によって機能する浴槽のファインマン・ヴァーノン効果の核を近似する効率の良い浴槽表現を見いだす。
本研究の成果をQIMに関連付けるため, 複合不純物-擬態系の時間進化を記述した明示的なLiouvillianを導出した。
論文 参考訳（メタデータ） (2024-09-13T13:31:53Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。