論文の概要: Neural Boltzmann Equations

• arxiv url: http://arxiv.org/abs/2608.23022v1
• Date: Mon, 24 Aug 2026 09:26:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.008885
• Title: Neural Boltzmann Equations
• Title（参考訳）: ニューラルボルツマン方程式
• Abstract要約: 古典的なアプローチは二次積分を使い、固定運動量格子上でシステムを進化させる。 これらの制約を克服するために、3つの結合された概念を組み合わせたニューラルボルツマン方程式(NBE)を導入する。 NBEは、ニューラルネットワークを用いて予測できるパラメータを持つ、物理学に着想を得た神経分布関数の粒子特性をエンコードする。
• 参考スコア（独自算出の注目度）: 0.7161783472741748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The dynamics of particles in the early universe are described by Boltzmann equations, which involve high-dimensional phase-space integrals. Classical approaches use quadrature integration and evolve the system on a fixed momentum grid, which scales poorly to complicated systems and parameter scans, severely limiting the complexity of processes that can be studied. We introduce Neural Boltzmann Equations (NBEs), which combine three coupled concepts to overcome these limitations. First, particle properties are encoded in physics-inspired neural distribution functions, with parameters that can be predicted using neural networks, enabling efficient parameter scans. Second, phase-space integrals are evaluated with Monte Carlo, using importance sampling tools from collider physics. Third, we use the natural gradient method to evolve the system. After demonstrating the individual benefits of NBEs, we use the framework to perform a precision calculation of the effective number of relativistic neutrino degrees of freedom in the early universe.
• Abstract（参考訳）: 初期の宇宙における粒子の力学は、高次元位相空間積分を含むボルツマン方程式によって記述される。 古典的なアプローチでは、二次積分を使い、固定運動量格子上でシステムを進化させ、複雑なシステムやパラメータースキャンに乏しく、研究可能なプロセスの複雑さを著しく制限する。 これらの制約を克服するために、3つの結合された概念を組み合わせたニューラルボルツマン方程式(NBE)を導入する。 第一に、粒子の性質は物理学に着想を得た神経分布関数に符号化され、ニューラルネットワークを用いて予測できるパラメータを持ち、効率的なパラメータスキャンを可能にする。 第二に、位相空間積分はコライダー物理学の重要サンプリングツールを用いてモンテカルロで評価される。 第3に、自然勾配法を用いてシステムを進化させる。 NBEの個々の利点を実証した後、我々はこの枠組みを用いて、初期の宇宙における相対論的ニュートリノの有効数の精度計算を行う。

関連論文リスト

• FFT-Accelerated Auxiliary Variable MCMC for Fermionic Lattice Models: A Determinant-Free Approach with $O(N\log N)$ Complexity [52.3171766248012]
  量子多体系のシミュレーションを劇的に高速化するマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを導入する。 我々は,量子物理学のベンチマーク問題に対するアルゴリズムの有効性を検証し,既知の理論結果を正確に再現する。 我々の研究は、大規模確率的推論のための強力なツールを提供し、物理学に着想を得た生成モデルのための道を開く。
  論文  参考訳（メタデータ） (2025-10-13T07:57:21Z)
• Unraveling Open Quantum Dynamics with Time-Dependent Variational Monte Carlo [0.0]
  本稿では,時間依存型変分モンテカルロ(VMC)と量子軌道法を組み合わせることにより,オープン量子多体力学をシミュレートする手法を提案する。 我々のアプローチはリンドブラッドのマスター方程式を変分アンザッツに対するシュリンガー方程式のアンサンブルに展開する。 この研究により、より高次元の複雑な散逸性量子系の大規模シミュレーションが可能となり、量子技術や基礎科学に幅広い影響を及ぼす。
  論文  参考訳（メタデータ） (2025-06-30T14:56:01Z)
• Simulating continuous-space systems with quantum-classical wave functions [0.0]
  非相対論的相互作用量子多体系は、自然に連続空間ハミルトニアンの言葉で記述される。 現在のアルゴリズムでは離散化が必要であり、通常は有限基底集合を選択し、必然的にエラーを発生させる。 我々は、古典的資源と量子的資源を大域的変動アンサッツに組み合わせた、別の離散化のないアプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-10T10:54:59Z)
• Real-time Dynamics of the Schwinger Model as an Open Quantum System with Neural Density Operators [1.0713888959520208]
  この研究は、ニューラルネットワークのパラメータによる正確な量子状態の近似の難しさを克服する機械学習アルゴリズムを開発する。 QCDのような理論における原理実証の証明として、1+1d格子シュウィンガーモデルにおけるリンドブラッド・マスター方程式を開量子系として解く方法が応用される。
  論文  参考訳（メタデータ） (2024-02-09T18:36:17Z)
• 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)
• Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
  連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。 等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
  論文  参考訳（メタデータ） (2023-05-12T04:12:04Z)
• Quantum algorithm for collisionless Boltzmann simulation of self-gravitating systems [0.0]
  衝突のないボルツマン方程式(CBE)を解くための効率的な量子アルゴリズムを提案する。 我々は,自己重力系の量子シミュレーションを行うアルゴリズムを拡張し,重力を計算する手法を取り入れた。 これにより、将来の量子コンピュータで大規模なCBEシミュレーションを実行できる。
  論文  参考訳（メタデータ） (2023-03-29T06:59:00Z)
• D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
  コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。 このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。 さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
  論文  参考訳（メタデータ） (2023-03-01T10:38:10Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• Neural Stochastic Partial Differential Equations [1.2183405753834562]
  物理に着想を得たニューラルアーキテクチャの2つの重要なクラスの拡張を提供するニューラルSPDEモデルを導入する。 一方、一般的な神経-通常、制御され、粗い-微分方程式モデルをすべて拡張し、入ってくる情報を処理することができる。 一方、関数空間間のマッピングをモデル化するニューラルネットワークの最近の一般化であるNeural Operatorsを拡張して、複雑なSPDEソリューション演算子を学習することができる。
  論文  参考訳（メタデータ） (2021-10-19T20:35:37Z)
• Fourier Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  積分カーネルを直接フーリエ空間でパラメータ化することで、新しいニューラル演算子を定式化する。 バーガースの方程式、ダーシー流、ナビエ・ストークス方程式の実験を行う。 従来のPDEソルバに比べて最大3桁高速である。
  論文  参考訳（メタデータ） (2020-10-18T00:34:21Z)
• Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
  光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。 我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
  論文  参考訳（メタデータ） (2020-07-28T14:52:28Z)

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。