اکسپرس 24
ترجمه فارسی مقاله تشخیص گذارهای فاز کوانتومی و کلاسیک از طریق یادگیری ماشین بدون نظارت معیار اطلاعات فیشر

ترجمه فارسی مقاله تشخیص گذارهای فاز کوانتومی و کلاسیک از طریق یادگیری ماشین بدون نظارت معیار اطلاعات فیشر

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Detecting Quantum and Classical Phase Transitions via Unsupervised Machine Learning of the Fisher Information Metric
عنوان مقاله به فارسی تشخیص گذارهای فاز کوانتومی و کلاسیک از طریق یادگیری ماشین بدون نظارت معیار اطلاعات فیشر
نویسندگان Victor Kasatkin, Evgeny Mozgunov, Nicholas Ezzell, Daniel Lidar
فرمت مقاله انگلیسی PDF
تعداد صفحات 31
دسته بندی موضوعات Quantum Physics,فیزیک کوانتومی ,
توضیحات Submitted 26 August, 2024; v1 submitted 6 August, 2024; originally announced August 2024. , Comments: 31 pages, 10 figures; acknowledged two papers with three existing methods for FIM-Estimation task
توضیحات به فارسی ارسال شده در 26 اوت 2024 ؛V1 ارسال شده در 6 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 31 صفحه ، 10 شکل ؛دو مقاله را با سه روش موجود برای انجام کار ارزیابی FIM تصدیق کرد

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 1,240,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The detection of quantum and classical phase transitions in the absence of an order parameter is possible using the Fisher information metric (FIM), also known as fidelity susceptibility. Here, we propose and investigate an unsupervised machine learning (ML) task: estimating the FIM given limited samples from a multivariate probability distribution of measurements made throughout the phase diagram. We utilize an unsupervised ML method called ClassiFIM (developed in a companion paper) to solve this task and demonstrate its empirical effectiveness in detecting both quantum and classical phase transitions using a variety of spin and fermionic models, for which we generate several publicly available datasets with accompanying ground-truth FIM. We find that ClassiFIM reliably detects both topological (e.g., XXZ chain) and dynamical (e.g., metal-insulator transition in Hubbard model) quantum phase transitions. We perform a detailed quantitative comparison with prior unsupervised ML methods for detecting quantum phase transitions. We demonstrate that ClassiFIM is competitive with these prior methods in terms of appropriate accuracy metrics while requiring significantly less resource-intensive training data compared to the original formulation of the prior methods. In particular, ClassiFIM only requires classical (single-basis) measurements. As part of our methodology development, we prove several theorems connecting the classical and quantum fidelity susceptibilities through equalities or bounds. We also significantly expand the existence conditions of the fidelity susceptibility, e.g., by relaxing standard differentiability conditions. These results may be of independent interest to the mathematical physics community.

چکیده به فارسی (ترجمه ماشینی)

تشخیص انتقال فاز کوانتومی و کلاسیک در غیاب یک پارامتر سفارش با استفاده از متریک اطلاعات فیشر (FIM) ، همچنین به عنوان حساسیت وفاداری شناخته می شود.در اینجا ، ما یک کار یادگیری دستگاه بدون نظارت (ML) را پیشنهاد و بررسی می کنیم: تخمین FIM با استفاده از نمونه های محدود از توزیع احتمال چند متغیره از اندازه گیری های انجام شده در طول نمودار فاز.ما از یک روش ML بدون نظارت به نام Classifim (که در یک مقاله همراه توسعه یافته است) برای حل این کار و نشان دادن اثربخشی تجربی آن در تشخیص انتقال فاز کوانتومی و کلاسیک با استفاده از انواع مدل های چرخش و فرمیونی استفاده می کنیم ، که برای آنها چندین مجموعه داده در دسترس عمومی تولید می کنیمهمراه با FIM با حقیقت زمین.ما می دانیم که کلاسیک با اطمینان هر دو توپولوژیکی (به عنوان مثال ، زنجیره xxz) و دینامیکی (به عنوان مثال ، انتقال فلز-انسداد در مدل هوبارد) را تشخیص می دهد.ما یک مقایسه کمی دقیق با روشهای ML بدون نظارت قبلی برای تشخیص انتقال فاز کوانتومی انجام می دهیم.ما نشان می دهیم که ClassIFIM از نظر معیارهای دقت مناسب با این روشهای قبلی رقابتی است در حالی که به داده های آموزشی با منابع بسیار کمتر در مقایسه با فرمولاسیون اصلی روشهای قبلی نیاز دارد.به طور خاص ، کلاسیک فقط به اندازه گیری های کلاسیک (تک برقی) نیاز دارد.به عنوان بخشی از توسعه روش شناسی ، ما چندین قضیه را اثبات می کنیم که حساسیت وفاداری کلاسیک و کوانتومی را از طریق برابری یا مرزها به هم وصل می کنیم.ما همچنین به طور قابل توجهی شرایط وجود حساسیت به وفاداری ، به عنوان مثال ، با آرامش در شرایط متفاوت بودن استاندارد ، به طور قابل توجهی گسترش می دهیم.این نتایج ممکن است مورد توجه مستقل جامعه فیزیک ریاضی باشد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.