論文の概要: Feature Learning for the High Dimensional Stationary Schödinger Equation with Deep Ritz Method

• arxiv url: http://arxiv.org/abs/2607.06369v1
• Date: Tue, 07 Jul 2026 15:06:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.56177
• Title: Feature Learning for the High Dimensional Stationary Schödinger Equation with Deep Ritz Method
• Title（参考訳）: ディープリッツ法による高次元定常シュディンガー方程式の特徴学習
• Authors: Yao Yao, Yulong Lu, Gilad Lerman,
• Abstract要約: 定常シュルディンガー方程式をノイマン境界条件で解くためのディープ・リッツ法の枠組みにおける特徴学習について検討する。 我々は、最小リッツエネルギーが、原項のそれに沿った特徴ベクトルで達成されることを示す。 2つのニューロンの場合、正規化されたリッツ損失の風景を研究し、第2の特徴がどのように出現するかを特徴付ける。
• 参考スコア（独自算出の注目度）: 22.43542238634184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates feature learning within the framework of the deep Ritz method for solving the stationary Schrödinger equation with Neumann boundary conditions. We first analyze the convergence of Riemannian gradient descent in an agnostic setting, where the hypothesis function is restricted to a single-index model while the PDE solution is arbitrary. We prove that gradient descent reaches an approximate global minimum: after T = O(log(1/ε)) iterations, the loss is within εof a constant multiple of the optimal loss. We then examine the loss landscape when the source term of the PDE itself follows a single-index model, considering hypothesis functions given by either a single-index model or a two-neuron multi-index model. In the single-index case, we show that the minimum Ritz energy is attained at the feature vector aligned with that of the source term. In the two-neuron case, we study the landscape of regularized Ritz losses and characterize how a second feature emerges, given that the first feature is aligned with the source, as the regularization parameter varies. Finally, numerical experiments are presented to validate the feature emergence theory in the two-neuron setting.
• Abstract（参考訳）: 本稿では,ニューマン境界条件を用いた定常シュレーディンガー方程式の解法として,ディープ・リッツ法の枠組みにおける特徴学習について検討する。 まず、PDE解が任意である間、仮説関数は単インデックスモデルに制限されるような非依存的な環境でリーマン勾配降下の収束を解析する。 T = O(log(1/ε)) の反復の後、損失は最適損失の定数倍のε内にある。 次に、PDEのソース項が単一インデックスモデルに従うとき、単一インデックスモデルまたは2つのニューロンマルチインデックスモデルによって与えられる仮説関数を考慮する。 単インデックスの場合、最小リッツエネルギーは原項のそれに沿った特徴ベクトルで達成されることを示す。 2つのニューロンの場合、正規化されたリッツの損失の風景を調査し、正規化パラメータが変化するため、第1の特徴がソースに整列していることを考えると、第2の特徴がどのように出現するかを特徴付ける。 最後に、2つのニューロン設定における特徴発生理論を検証するための数値実験を行った。

関連論文リスト

• Limit Theorems for Stochastic Gradient Descent with Infinite Variance [51.4853131023238]
  この勾配降下アルゴリズムは、適切なL'evy過程によって駆動されるオルンシュタイン-ルンシュタイン過程の定常分布として特徴付けられることを示す。 また、これらの結果の線形回帰モデルおよびロジスティック回帰モデルへの応用についても検討する。
  論文  参考訳（メタデータ） (2024-10-21T09:39:10Z)
• A Mean-Field Analysis of Neural Stochastic Gradient Descent-Ascent for Functional Minimax Optimization [90.87444114491116]
  本稿では,超パラメトリック化された2層ニューラルネットワークの無限次元関数クラス上で定義される最小最適化問題について検討する。 i) 勾配降下指数アルゴリズムの収束と, (ii) ニューラルネットワークの表現学習に対処する。 その結果、ニューラルネットワークによって誘導される特徴表現は、ワッサーシュタイン距離で測定された$O(alpha-1)$で初期表現から逸脱することが許された。
  論文  参考訳（メタデータ） (2024-04-18T16:46:08Z)
• Deep Backward and Galerkin Methods for the Finite State Master Equation [12.593492376662358]
  本稿では,有限状態平均場ゲームにおけるマスター方程式の解法として,2つのニューラルネットワーク手法を提案し,解析する。 アルゴリズムの損失関数を任意に小さくし、逆に損失が小さい場合、ニューラルネットワークはマスター方程式の解をよく近似する。
  論文  参考訳（メタデータ） (2024-03-08T01:12:11Z)
• On the Identification and Optimization of Nonsmooth Superposition Operators in Semilinear Elliptic PDEs [3.045851438458641]
  原型半線形楕円偏微分方程式(PDE)の非線形部分におけるネミトスキー作用素の同定を目的とした無限次元最適化問題について検討する。 以前の研究とは対照的に、ネミトスキー作用素を誘導する関数が a-priori であることは、$H leakyloc(mathbbR)$ の要素であることが知られている。
  論文  参考訳（メタデータ） (2023-06-08T13:33:20Z)
• Nonconvex Stochastic Scaled-Gradient Descent and Generalized Eigenvector Problems [98.34292831923335]
  オンライン相関解析の問題から,emphStochastic Scaled-Gradient Descent (SSD)アルゴリズムを提案する。 我々はこれらのアイデアをオンライン相関解析に適用し、局所収束率を正規性に比例した最適な1時間スケールのアルゴリズムを初めて導いた。
  論文  参考訳（メタデータ） (2021-12-29T18:46:52Z)
• SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for Gaussian Process Regression with Derivatives [86.01677297601624]
  本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。 我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
  論文  参考訳（メタデータ） (2020-03-05T14:33:20Z)

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。