008240612s2023      us  |||||||||||||||c||eng  d
■001000016932880
■00520240214100557
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379871154
■035    ▼a(MiAaPQ)AAI30516330
■035    ▼a(MiAaPQ)NCState_Univ18402040852
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a517
■1001  ▼aHolliday,  Elliott  Gregory.
■24510▼aClassical  and  Quantum  Physics-Enhanced  Machine  Learning  Algorithms  in  the  Ordered  and  Chaotic  Regimes▼h[electronic  resource]
■260    ▼a[S.l.]:▼bNorth  Carolina  State  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(107  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-01,  Section:  B.
■500    ▼aAdvisor:  Kumah,  Divine;LeBlanc,  Sharonda;Ruffino,  Rico;Lindner,  John  F.;Daniels,  Karen;Ditto,  William  L.
■5021  ▼aThesis  (Ph.D.)--North  Carolina  State  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aArtificial  neural  networks  (ANN)  and  machine  learning  have  become  critical  for  advancements  in  science,  technology,  and  daily  life.  To  expand  the  resources  available  to  physicists  for  making  discoveries  and  contributions  to  the  field  of  physics,  can  we  solve  classical  and  quantum  physics  problems  that  exhibit  both  order  and  chaos  using  a  neural  network?  Can  we  improve  a  neural  network's  ability  to  solve  physics  problems  by  giving  it  an  internal  physics  intuition?  Noting  that  calculus  lies  at  the  heart  of  both  machine  learning  algorithms  and  physics,  this  thesis  incorporates  physics  into  the  training  process  of  ANNs  to  forecast  classical  Hamiltonian  dynamical  systems  that  exhibit  both  order  and  chaos  such  as  the  Henon-Heiles  stellar  potential,  chaotic  billiards,  and  the  double  pendulum.  While  the  ANN  is  only  given  a  singular  formalism  or  set  of  constraints,  what  additional  knowledge  do  we  discover  upon  giving  a  physics  formalism  to  the  neural  network?  I  find  doing  so  recovers  more  about  the  system  than  what  was  inputted  such  as  the  energy,  the  dimensionality,  and  the  fraction  of  chaotic  orbits  for  a  given  energy  range.  While  the  Hamiltonian  requires  canonical  coordinates,  it  also  expands  on  the  previous  algorithm  to  forecast  dynamics  without  canonical  coordinates  for  the  Lotka-Volterra  predator-prey  model  and  a  video  of  a  wooden  pendulum  clock.  This  thesis  also  develops  this  idea  into  quantum  mechanics  and  explores  the  result  of  giving  an  ANN  the  Schrodinger  equation  so  that  it  may  recover  eigenfunctions  and  energies.  This  method  is  tested  on  previously  studied  one-  and  twodimensional  systems  like  the  infinite  square  well  and  simple  harmonic  oscillator  and  two-dimensional  infinite  potential  wells  that  classically  exhibit  order  and  chaos,  such  as  elliptical,  triangular,  and  cardioid-shaped  wells.  Physics-enhanced  machine  learning  algorithms  have  the  potential  to  improve  how  advances  in  physics  and  science  are  made  but  also  could  improve  current  ANNs  by  giving  them  scientific  principles  and  knowledge.
■590    ▼aSchool  code:  0155.
■650  4▼aCalculus.
■650  4▼aNeurons.
■650  4▼aPhysics.
■650  4▼aPartial  differential  equations.
■650  4▼aNeural  networks.
■650  4▼aEigenvalues.
■650  4▼aEnergy.
■650  4▼aBilliards.
■650  4▼aMathematics.
■650  4▼aQuantum  physics.
■690    ▼a0791
■690    ▼a0800
■690    ▼a0605
■690    ▼a0405
■690    ▼a0599
■71020▼aNorth  Carolina  State  University.
■7730  ▼tDissertations  Abstracts  International▼g85-01B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0155
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16932880▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024