論文の概要: Constraint optimization and $\mathcal{SU}(N)$ quantum control landscapes
- arxiv url: http://arxiv.org/abs/2103.11132v2
- Date: Wed, 14 Apr 2021 14:55:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-07 08:28:59.087568
- Title: Constraint optimization and $\mathcal{SU}(N)$ quantum control landscapes
- Title(参考訳): 制約最適化と$\mathcal{SU}(N)$量子制御ランドスケープ
- Authors: Petre Birtea, Ioan Casu, Dan Comanescu
- Abstract要約: 特殊ユニタリ群 $mathcalSU(N)$ の場合の埋め込み勾配ベクトル場法を開発する。
我々は、$Ngeq 5$の場合、ランドスケープがキネマティック$mathcalSU(N)$-trapfreeでないことを証明する。
- 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 the embedded gradient vector field method, introduced in [8] and
[9], for the case of the special unitary group $\mathcal{SU}(N)$ regarded as a
constraint submanifold of the unitary group $\mathcal{U}(N)$. The optimization
problem associated to the trace fidelity cost function defined on
$\mathcal{SU}(N)$ that appears in the context of $\mathcal{SU}(N)$ quantum
control landscapes is completely solved using the embedded gradient vector
field method. We prove that for $N\geq 5$, the landscape is not
$\mathcal{SU}(N)$-trap free, there are always kinematic local extrema that are
not global extrema.
- Abstract(参考訳): 特殊ユニタリ群 $\mathcal{SU}(N)$ をユニタリ群 $\mathcal{U}(N)$ の制約部分多様体と見なす場合、[8] と [9] で導入された埋め込み勾配ベクトル場法を開発する。
$\mathcal{SU}(N)$に定義されたトレース忠実度コスト関数に関連する最適化問題は、埋め込み勾配ベクトル場法を用いて、$\mathcal{SU}(N)$量子制御ランドスケープの文脈に現れる。
n\geq 5$ の場合、ランドスケープは $\mathcal{su}(n)$-trap free ではなく、常に局所極端で、大域極端ではない。
関連論文リスト
- Provably learning a multi-head attention layer [55.2904547651831]
マルチヘッドアテンション層は、従来のフィードフォワードモデルとは分離したトランスフォーマーアーキテクチャの重要な構成要素の1つである。
本研究では,ランダムな例から多面的注意層を実証的に学習する研究を開始する。
最悪の場合、$m$に対する指数的依存は避けられないことを示す。
論文 参考訳(メタデータ) (2024-02-06T15:39:09Z) - Geometric structure of shallow neural networks and constructive
${\mathcal L}^2$ cost minimization [1.4050802766699084]
我々は位数$O(delta_P$)のコスト関数の最小値上の上限を証明する。
入力空間内の$Q$-次元部分空間を$overlinex_0,j$,$j=1,dots,Q$で割った$mathbb RM$とする。
論文 参考訳(メタデータ) (2023-09-19T07:12:41Z) - Accelerated Methods for Riemannian Min-Max Optimization Ensuring Bounded
Geometric Penalties [21.141544548229774]
我々は$min_x max_y f(x, y) という形式で、$mathcalN$ は Hadamard である。
我々は、勾配収束定数を減少させることにより、グローバルな関心が加速されることを示す。
論文 参考訳(メタデータ) (2023-05-25T15:43:07Z) - Tight Bounds for $\gamma$-Regret via the Decision-Estimation Coefficient [88.86699022151598]
任意の構造化バンディット問題に対する$gamma$-regretの統計的特徴を与える。
この$gamma$-regretは、関数クラス$mathcalF$上の構造化バンディット問題に現れる。
論文 参考訳(メタデータ) (2023-03-06T17:54:33Z) - Private Isotonic Regression [54.32252900997422]
部分順序集合 (poset) $mathcalX$ と任意のリプシッツ損失関数に対する等調回帰の問題を考察する。
約$mathrmwidth(mathcalX) cdot log|mathcalX| / n$, ここで$mathrmwidth(mathcalX)$はポーズの幅である。
上記の境界は本質的に最良であることを示す。
論文 参考訳(メタデータ) (2022-10-27T05:08:07Z) - Overparametrized linear dimensionality reductions: From projection
pursuit to two-layer neural networks [10.368585938419619]
$mathbbRd$に$n$のデータポイントのクラウドが与えられると、$mathbbRd$の$m$次元部分空間へのすべての射影を考える。
この確率分布の集まりは、$n,d$が大きくなるとどのように見えるか?
この極限の低次元射影として生じる $mathbbRm$ の確率分布の集合の α$ を $mathscrF_m で表すと、$mathscrF_ に新たな内界と外界を確立する。
論文 参考訳(メタデータ) (2022-06-14T00:07:33Z) - Near-Optimal SQ Lower Bounds for Agnostically Learning Halfspaces and
ReLUs under Gaussian Marginals [49.60752558064027]
ガウス境界の下では、半空間とReLUを不可知的に学習する基本的な問題について検討する。
我々の下限は、これらのタスクの現在の上限が本質的に最良のものであるという強い証拠を与える。
論文 参考訳(メタデータ) (2020-06-29T17:10:10Z) - Agnostic Learning of a Single Neuron with Gradient Descent [92.7662890047311]
期待される正方形損失から、最も適合した単一ニューロンを学習することの問題点を考察する。
ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。
ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。
論文 参考訳(メタデータ) (2020-05-29T07:20:35Z) - Naive Exploration is Optimal for Online LQR [49.681825576239355]
最適後悔尺度は$widetildeTheta(sqrtd_mathbfu2 d_mathbfx T)$で、$T$は時間ステップの数、$d_mathbfu$は入力空間の次元、$d_mathbfx$はシステム状態の次元である。
我々の下界は、かつての$mathrmpoly(logT)$-regretアルゴリズムの可能性を排除する。
論文 参考訳(メタデータ) (2020-01-27T03:44:54Z) - Stochastic Recursive Gradient Descent Ascent for Stochastic
Nonconvex-Strongly-Concave Minimax Problems [36.645753881826955]
本稿では,分散を利用してより効率的に推定できるRecurEnti Ascent(SREDA)という新しい手法を提案する。
この方法はこの問題でよく知られている。
論文 参考訳(メタデータ) (2020-01-11T09:05:03Z)
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。