Fugu-MT 論文翻訳(概要): Minor embedding with Stuart-Landau oscillator networks

論文の概要: Minor embedding with Stuart-Landau oscillator networks

arxiv url: http://arxiv.org/abs/2109.10142v2
Date: Mon, 30 Jan 2023 14:45:57 GMT
ステータス: 処理完了
システム内更新日: 2023-03-14 03:32:37.413626
Title: Minor embedding with Stuart-Landau oscillator networks
Title（参考訳）: スチュアート-ランダウ発振器ネットワークによるマイナー埋め込み
Authors: Stella L. Harrison, Helgi Sigurdsson and Pavlos G. Lagoudakis
Abstract要約: 我々は、全対全連結ネットワークにおけるスチュアート・ランダウ振動子ダイナミクスをシミュレートする戦略を実装し、これを完全グラフと呼ぶ。この手法は、相互接続された要素の密接なグラフをスパースグラフに拡張する、三元構造の小さな埋め込みの上に構築される。ケーススタディでは、小さな埋め込み手法によって完全なグラフ上のXYモデルをシミュレートすることができ、したがって厳密な幾何学的制約を回避できることを明らかにした。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We theoretically implement a strategy from quantum computation architectures to simulate Stuart-Landau oscillator dynamics in all-to-all connected networks, also referred to as complete graphs. The technique builds upon the triad structure minor embedding which expands dense graphs of interconnected elements into sparse ones which can potentially be realized in future on-chip solid state technologies with tunable edge weights. As a case study, we reveal that the minor embedding procedure allows simulating the XY model on complete graphs, thus bypassing a severe geometric constraint.
Abstract（参考訳）: 我々は理論上、全対全連結ネットワークにおけるスチュアート・ランダウ振動子ダイナミクスをシミュレートする量子計算アーキテクチャからの戦略を実装した。この技術は、相互に結合した要素の密度の高いグラフをスパースに拡張し、調整可能なエッジ重みを持つ将来のオンチップ固体技術で実現される可能性がある、トライアド構造の小さな埋め込みの上に構築されている。ケーススタディとして,完全グラフ上でxyモデルをシミュレートできるので,重度の幾何学的制約を回避できることを明らかにした。

関連論文リスト

Graph Neural Network for Stress Predictions in Stiffened Panels Under Uniform Loading [0.0]
グラフニューラルネットワーク(Graph Neural Network, GNN)は、グラフとして表現可能なデータを処理するニューラルネットワークの一種である。本研究では,3次元強化パネルの効率的な表現のための新しいグラフ埋め込み手法を提案する。
論文参考訳（メタデータ） (2023-09-22T17:34:20Z)
Curve Your Attention: Mixed-Curvature Transformers for Graph Representation Learning [77.1421343649344]
本稿では,一定曲率空間の積を完全に操作するトランスフォーマーの一般化を提案する。また、非ユークリッド注意に対するカーネル化されたアプローチを提供し、ノード数とエッジ数に線形に時間とメモリコストでモデルを実行できるようにします。
論文参考訳（メタデータ） (2023-09-08T02:44:37Z)
Minimal Neural Atlas: Parameterizing Complex Surfaces with Minimal Charts and Distortion [71.52576837870166]
我々は、新しいアトラスに基づく明示的なニューラルサーフェス表現であるミニマルニューラルアトラスを提案する。その中核は完全学習可能なパラメトリック領域であり、パラメトリック空間の開平方上で定義された暗黙の確率的占有場によって与えられる。我々の再構成は、トポロジーと幾何学に関する懸念の分離のため、全体的な幾何学の観点からより正確である。
論文参考訳（メタデータ） (2022-07-29T16:55:06Z)
Geometric Matrix Completion via Sylvester Multi-Graph Neural Network [47.91897604343119]
本稿では,マルチネットワーク・ニューラルアグリゲーション・モジュールと,それ以前のマルチネットワーク・アソシエーション学習モジュールからなるエンドツーエンド・ニューラル・フレームワークであるSYMGNNを提案する。実世界のデータセットに対する実証的な評価は、SYMGNNのインスタンス化が、幾何行列補完タスクのベースラインを全体的に上回っていることを示している。
論文参考訳（メタデータ） (2022-06-19T19:59:43Z)
BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
論文参考訳（メタデータ） (2021-12-13T17:35:54Z)
Quantum Simulation of the Bosonic Creutz Ladder with a Parametric Cavity [5.336258422653554]
ハードウェア効率のよいアナログ量子シミュレータとして,マルチモード超伝導パラメトリックキャビティを用いた。複雑なホッピング相互作用を持つ合成次元の格子を実現する。複素数値ホッピング相互作用により、例えばゲージポテンシャルやトポロジカルモデルなどをシミュレートすることができる。
論文参考訳（メタデータ） (2021-01-11T14:46:39Z)
Neural Mechanics: Symmetry and Broken Conservation Laws in Deep Learning Dynamics [26.485269202381932]
トレーニング中のニューラルネットワークパラメータのダイナミクスを理解することは、ディープラーニングの理論基盤を構築する上で重要な課題のひとつだ。このような対称性は勾配やヘッシアンに厳密な幾何学的制約を課し、関連する保存則を導く。 SGDが有限学習速度で行った数値軌道をよりよく近似する差分方程式である修正勾配流の導出に有限差分法からツールを適用します。
論文参考訳（メタデータ） (2020-12-08T20:33:30Z)
Simulating Surface Wave Dynamics with Convolutional Networks [0.0]
我々は、U-Netアーキテクチャに注目し、トレーニング中に見えない幾何学的構成にどのように一般化するかを分析する。修正されたU-Netアーキテクチャは、曲面および多面的開かつ閉幾何学における液体表面上の波高分布を正確に予測できることを示す。
論文参考訳（メタデータ） (2020-12-01T18:27:24Z)
Hyperbolic Neural Networks++ [66.16106727715061]
ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
論文参考訳（メタデータ） (2020-06-15T08:23:20Z)
Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
論文参考訳（メタデータ） (2020-04-06T13:25:46Z)
Understanding Graph Neural Networks with Generalized Geometric Scattering Transforms [67.88675386638043]
散乱変換は、畳み込みニューラルネットワークのモデルとして機能する多層ウェーブレットベースのディープラーニングアーキテクチャである。非対称ウェーブレットの非常に一般的なクラスに基づくグラフに対して、窓付きおよび非窓付き幾何散乱変換を導入する。これらの非対称グラフ散乱変換は、対称グラフ散乱変換と多くの理論的保証を持つことを示す。
論文参考訳（メタデータ） (2019-11-14T17:23:06Z)

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。