Fugu-MT 論文翻訳(概要): Constraint optimization and $\mathcal{SU}(N)$ quantum control landscapes

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

Learning a Single Neuron Robustly to Distributional Shifts and Adversarial Label Noise [38.551072383777594]
本研究では, 対向分布シフトの存在下でのL2$損失に対して, 単一ニューロンを学習する問題について検討した。ベクトルベクトル二乗損失を$chi2$divergenceから$mathcalp_0$に近似するアルゴリズムを開発した。
論文参考訳（メタデータ） (2024-11-11T03:43:52Z)
Efficient Continual Finite-Sum Minimization [52.5238287567572]
連続有限サム最小化(continuous finite-sum minimization)と呼ばれる有限サム最小化の鍵となるツイストを提案する。我々のアプローチは$mathcalO(n/epsilon)$ FOs that $mathrmStochasticGradientDescent$で大幅に改善されます。また、$mathcalOleft(n/epsilonalpharight)$ complexity gradient for $alpha 1/4$という自然な一階法は存在しないことを証明し、この方法の第一階法がほぼ密であることを示す。
論文参考訳（メタデータ） (2024-06-07T08:26:31Z)
Partially Unitary Learning [0.0]
ヒルベルト空間の最適写像 $IN$ of $left|psirightrangle$ と $OUT$ of $left|phirightrangle$ が提示される。この最適化問題の大域的な最大値を求める反復アルゴリズムを開発した。
論文参考訳（メタデータ） (2024-05-16T17:13:55Z)
Solving the $KP$ problem with the Global Cartan Decomposition [0.5524804393257919]
本稿では,Frakp$ で $-iH(t) を制御したターゲット $-iX in [frakp,frakp] サブセット frakk$ の時間最適ユニタリを生成する新しい手法を提案する。 dTheta$の仮定は、変動的手法を用いて解析的に解ける時間最適ユニタリ制御問題と等価であることを示す。
論文参考訳（メタデータ） (2024-04-02T23:03:16Z)
Provably learning a multi-head attention layer [55.2904547651831]
マルチヘッドアテンション層は、従来のフィードフォワードモデルとは分離したトランスフォーマーアーキテクチャの重要な構成要素の1つである。本研究では,ランダムな例から多面的注意層を実証的に学習する研究を開始する。最悪の場合、$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 [1.189367612437469]
隠れた1つの層を持つ浅層ニューラルネットワーク、ReLUアクティベーション関数、$mathcal L2$ Schattenクラス(Hilbert-Schmidt)のコスト関数を考える。我々は、$O(delta_P)$のコスト関数の最小値に対して、$delta_P$の信号とトレーニング入力のノイズ比を測る上限を証明した。特別の場合、$M=Q$ において、コスト関数の正確な退化局所極小を明示的に決定し、そのシャープ値が a の$Qleq M$ に対して得られる上限値と異なることを示す。
論文参考訳（メタデータ） (2023-09-19T07:12:41Z)
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)
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)

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。