ترجمه فارسی مقاله عملگرهای عصبی فوریه برای یادگیری دینامیک در سیستم های اسپین کوانتومی

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 Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems
عنوان مقاله به فارسی عملگرهای عصبی فوریه برای یادگیری دینامیک در سیستم های اسپین کوانتومی
نویسندگان Freya Shah, Taylor L. Patti, Julius Berner, Bahareh Tolooshams, Jean Kossaifi, Anima Anandkumar
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Quantum Physics,Machine Learning,فیزیک کوانتومی , یادگیری ماشین ,
توضیحات Submitted 5 September, 2024; originally announced September 2024. , Comments: 9 pages, 4 figures
توضیحات به فارسی ارسال شده در 5 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 9 صفحه ، 4 شکل
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

Fourier Neural Operators (FNOs) excel on tasks using functional data, such as those originating from partial differential equations. Such characteristics render them an effective approach for simulating the time evolution of quantum wavefunctions, which is a computationally challenging, yet coveted task for understanding quantum systems. In this manuscript, we use FNOs to model the evolution of random quantum spin systems, so chosen due to their representative quantum dynamics and minimal symmetry. We explore two distinct FNO architectures and examine their performance for learning and predicting time evolution using both random and low-energy input states. Additionally, we apply FNOs to a compact set of Hamiltonian observables ($\sim\text{poly}(n)$) instead of the entire $2^n$ quantum wavefunction, which greatly reduces the size of our inputs and outputs and, consequently, the requisite dimensions of the resulting FNOs. Moreover, this Hamiltonian observable-based method demonstrates that FNOs can effectively distill information from high-dimensional spaces into lower-dimensional spaces. The extrapolation of Hamiltonian observables to times later than those used in training is of particular interest, as this stands to fundamentally increase the simulatability of quantum systems past both the coherence times of contemporary quantum architectures and the circuit-depths of tractable tensor networks.

چکیده به فارسی (ترجمه ماشینی)

اپراتورهای عصبی فوریه (FNOS) از وظایف با استفاده از داده های عملکردی ، مانند مواردی که از معادلات دیفرانسیل جزئی سرچشمه می گیرند ، برتری دارند.چنین خصوصیاتی ، آنها را به یک رویکرد مؤثر برای شبیه سازی تکامل زمان عملکردهای کوانتومی تبدیل می کند ، که یک کار محاسباتی چالش برانگیز و در عین حال آرزو برای درک سیستم های کوانتومی است.در این نسخه خطی ، ما از FNOS برای مدل سازی تکامل سیستم های چرخش کوانتومی تصادفی استفاده می کنیم ، بنابراین به دلیل دینامیک کوانتومی نماینده آنها و حداقل تقارن انتخاب شده است.ما دو معماری FNO مجزا را بررسی می کنیم و عملکرد آنها را برای یادگیری و پیش بینی تکامل زمان با استفاده از حالتهای ورودی تصادفی و کم انرژی بررسی می کنیم.علاوه بر این ، ما FNOS را به یک مجموعه جمع و جور از مشاهدات همیلتون ($ \ sim \ text {poly} (n) $) به جای کل عملکرد موج کوانتومی 2^n $ $ ، که اندازه ورودی ها و خروجی های ما را به شدت کاهش می دهد ، اعمال می کنیم.، ابعاد لازم FNO های حاصل.علاوه بر این ، این روش مبتنی بر همیلتون نشان می دهد که FNO ها می توانند به طور موثری اطلاعات را از فضاهای با ابعاد بالا به فضاهای با ابعاد پایین تر تقسیم کنند.برون یابی مشاهدات همیلتون به زمان هایی که در آموزش مورد استفاده قرار می گیرند مورد توجه ویژه ای قرار دارد ، زیرا این امر به طور اساسی باعث افزایش شبیه سازی سیستم های کوانتومی می شود که در هر دو زمان انسجام معماری های کوانتومی معاصر و عمق مدار شبکه تانسور قابل ردیابی است.

📚 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.