A fermion neural network with efficient optimization and quantum applicability

要約

古典的な人工ニューラル ネットワークは、機械学習アプリケーションで広範な成功を収めてきました。
ここでは、入力が初期層として組み込まれると、局所状態密度や条件付きコンダクタンスなどの物理的特性が出力として機能するフェルミオン ニューラル ネットワーク (FNN) を提案します。
バックプロパゲーションと同様に、効率的な最適化を確立し、FNN が困難な機械学習ベンチマークで競争力のあるパフォーマンスを得ることができます。
FNN は、相互作用を伴うハードシステムを含む量子システムにも直接適用され、前処理や推定なしでその場での分析を提供します。
機械学習の後、FNN はトポロジカルなフェーズと緊急の充電順序を正確に決定します。
その量子の性質はさまざまな利点ももたらします。量子相関により、より一般的なネットワーク接続と勾配消失問題への洞察が可能になり、量子もつれにより解釈可能な機械学習などの新しい道が開かれます。

要約(オリジナル)

Classical artificial neural networks have witnessed widespread successes in machine-learning applications. Here, we propose fermion neural networks (FNNs) whose physical properties, such as local density of states or conditional conductance, serve as outputs, once the inputs are incorporated as an initial layer. Comparable to back-propagation, we establish an efficient optimization, which entitles FNNs to competitive performance on challenging machine-learning benchmarks. FNNs also directly apply to quantum systems, including hard ones with interactions, and offer in-situ analysis without preprocessing or presumption. Following machine learning, FNNs precisely determine topological phases and emergent charge orders. Their quantum nature also brings various advantages: quantum correlation entitles more general network connectivity and insight into the vanishing gradient problem, quantum entanglement opens up novel avenues for interpretable machine learning, etc.

arxiv情報

著者 Pei-Lin Zheng,Jia-Bao Wang,Yi Zhang
発行日 2023-06-08 15:16:52+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cond-mat.dis-nn, cs.AI, cs.LG, quant-ph パーマリンク