論文の概要: Fundamentals of fractional revival in graphs
- arxiv url: http://arxiv.org/abs/2004.01129v1
- Date: Thu, 2 Apr 2020 16:57:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-27 03:17:38.387383
- Title: Fundamentals of fractional revival in graphs
- Title(参考訳): グラフにおける分数再生の基礎
- Authors: Ada Chan, Gabriel Coutinho, Whitney Drazen, Or Eisenberg, Chris
Godsil, Gabor Lippner, Mark Kempton, Christino Tamon, Hanmeng Zhan
- Abstract要約: 我々は、量子スピンネットワークにおける量子分数復元を解析するための一般的なスペクトルフレームワークを開発する。
特に、コスペクトルと強コスペクトルの頂点の概念の一般化を、頂点の任意の部分集合に導入する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We develop a general spectral framework to analyze quantum fractional revival
in quantum spin networks. In particular, we introduce generalizations of the
notions of cospectral and strongly cospectral vertices to arbitrary subsets of
vertices, and give various examples. This work resolves two open questions of
Chan et.~al. ["Quantum Fractional Revival on graphs". Discrete Applied Math,
269:86-98, 2019.]
- Abstract(参考訳): 量子スピンネットワークにおける量子分数再生を解析するための一般スペクトルフレームワークを開発した。
特に、任意の頂点部分集合に対して、コスペクトルおよび強コスペクトル頂点の概念の一般化を導入し、様々な例を示す。
この作品はチャンの2つの疑問を解決している。
と。
[「グラフ上の量子分数再生」離散応用数学, 269:86-98, 2019]
関連論文リスト
- Generalization of Geometric Graph Neural Networks [84.01980526069075]
幾何グラフニューラルネットワーク(GNN)の一般化能力について検討する。
我々は,このGNNの最適経験リスクと最適統計リスクとの一般化ギャップを証明した。
最も重要な観察は、前の結果のようにグラフのサイズに制限されるのではなく、1つの大きなグラフで一般化能力を実現することができることである。
論文 参考訳(メタデータ) (2024-09-08T18:55:57Z) - Gaussian Entanglement Measure: Applications to Multipartite Entanglement
of Graph States and Bosonic Field Theory [50.24983453990065]
フービニ・スタディ計量に基づく絡み合い尺度は、Cocchiarellaと同僚によって最近導入された。
本稿では,多モードガウス状態に対する幾何絡み合いの一般化であるガウスエンタングルメント尺度(GEM)を提案する。
自由度の高い系に対する計算可能な多部絡み合わせ測度を提供することにより、自由なボゾン場理論の洞察を得るために、我々の定義が利用できることを示す。
論文 参考訳(メタデータ) (2024-01-31T15:50:50Z) - On the Expressiveness and Generalization of Hypergraph Neural Networks [77.65788763444877]
この拡張抽象化はハイパーグラフニューラルネットワーク(HyperGNN)の表現性、学習、および(構造的)一般化を分析するためのフレームワークを記述する。
具体的には、HyperGNNが有限データセットからどのように学習し、任意の入力サイズのグラフ推論問題に構造的に一般化するかに焦点を当てる。
論文 参考訳(メタデータ) (2023-03-09T18:42:18Z) - Fractional revival on abelian Cayley graphs [23.909933791900322]
量子スピンネットワークにおける絡み合い生成にはフラクショナルリバイバルが不可欠である。
分数再生を持つアーベルケイリーグラフの2つの一般的な構成を示す。
我々は、分数復活を認めるアーベルケイリーグラフのいくつかの新しい族を確立する。
論文 参考訳(メタデータ) (2022-08-10T02:01:44Z) - Spectral bounds for the quantum chromatic number of quantum graphs [0.0]
量子隣接行列の固有値を用いて量子グラフの古典的および量子的数に対する下界を求める。
エルフィックとウォクジャンによって与えられる全てのスペクトル境界を量子グラフ設定に一般化する。
この結果は線形代数の手法と量子グラフカラー化の完全定義を用いて達成される。
論文 参考訳(メタデータ) (2021-12-03T05:36:21Z) - Multipartite Generalization of Geometric measure of Discord [0.0]
一般のN粒子量子状態における量子不協和の幾何学的測度の一般化の一般的な形式を見つける。
我々は、N量子ビット量子状態における量子不協和の幾何測度を一般化するための計算可能な正確な公式を得る。
論文 参考訳(メタデータ) (2021-09-24T14:13:03Z) - Quantum particle across Grushin singularity [77.34726150561087]
2つの半円柱を分離する特異点を横断する透過現象について検討する。
自由(ラプラス・ベルトラミ)量子ハミルトンの局所的な実現は、透過/反射の非等価なプロトコルとして検討される。
これにより、文献で以前に特定されたいわゆる「ブリッジング」送信プロトコルの区別された状態を理解することができる。
論文 参考訳(メタデータ) (2020-11-27T12:53:23Z) - Approximate quantum fractional revival in paths and cycles [0.0]
グラフの隣接行列の固有値と固有ベクトルの観点から、グラフにおける近似分数復元の完全な特徴付けを与える。
この特徴づけは、クロネッカーによるディオファンタイン近似の補題によるものであり、グラフにおけるかなり良い状態移動のスペクトル的特徴に類似している。
論文 参考訳(メタデータ) (2020-05-01T17:07:17Z) - Spectra of Perfect State Transfer Hamiltonians on Fractal-Like Graphs [62.997667081978825]
完全量子状態移動の特別な性質を示すハミルトニアンのフラクタル様グラフのスペクトル特性について検討する。
基本的な目標は、完全な量子状態転移、スペクトル特性、基礎となるグラフの幾何学の間の相互作用を理解するための理論的枠組みを開発することである。
論文 参考訳(メタデータ) (2020-03-25T02:46:14Z) - Topologically induced spectral behavior: the example of quantum graphs [0.0]
構成空間の非自明な位相が様々なスペクトル型を生じさせることを示す。
また、開スペクトルギャップの数に関する問題にも対処し、それが 0 で有限であることを示す。
論文 参考訳(メタデータ) (2020-03-13T10:26:25Z) - A refinement of Reznick's Positivstellensatz with applications to
quantum information theory [72.8349503901712]
ヒルベルトの17番目の問題において、アルティンはいくつかの変数の任意の正定値が2つの平方和の商として書けることを示した。
レズニックはアルティンの結果の分母は常に変数の平方ノルムの$N$-次パワーとして選択できることを示した。
論文 参考訳(メタデータ) (2019-09-04T11:46:26Z)
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。