Fugu-MT 論文翻訳(概要): Visualization of Entanglement Geometry by Structural Optimization of Tree Tensor Network

論文の概要: Visualization of Entanglement Geometry by Structural Optimization of Tree Tensor Network

arxiv url: http://arxiv.org/abs/2401.16000v1
Date: Mon, 29 Jan 2024 09:39:24 GMT
ステータス: 処理完了
システム内更新日: 2024-01-30 15:29:27.122122
Title: Visualization of Entanglement Geometry by Structural Optimization of Tree Tensor Network
Title（参考訳）: ツリーテンソルネットワークの構造最適化による絡み合い幾何学の可視化
Authors: Toshiya Hikihara, Hiroshi Ueda, Kouichi Okunishi, Kenji Harada, Tomotoshi Nishino
Abstract要約: 木テンソルネットワークのための構造最適化アルゴリズムを提案する。提案アルゴリズムは,スピン・シングレット対の空間的パターンを基底状態に可視化する。
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: In tensor-network analysis of quantum many-body systems, it is of crucial importance to employ a tensor network with a spatial structure suitable for representing the state of interest. In the previous work [Hikihara et al., Phys. Rev. Research 5, 013031 (2023)], we proposed a structural optimization algorithm for tree-tensor networks. In this paper, we apply the algorithm to the Rainbow-chain model, which has a product state of singlet pairs between spins separated by various distances as an approximate ground state. We then demonstrate that the algorithm can successfully visualize the spatial pattern of spin-singlet pairs in the ground state.
Abstract（参考訳）: 量子多体系のテンソルネットワーク解析においては、関心状態を表現するのに適した空間構造を持つテンソルネットワークを採用することが重要である。これまでの研究(比企原ら、Phys. Rev. Research 5, 013031 (2023))において、木テンソルネットワークの構造最適化アルゴリズムを提案した。本稿では,様々な距離で分離されたスピン間の一重項対の積状態が近似基底状態であるレインボーチェーンモデルに適用する。次に,このアルゴリズムが基底状態におけるスピン・シングレット対の空間パターンを可視化できることを実証した。

関連論文リスト

Hallmarks of Optimization Trajectories in Neural Networks: Directional Exploration and Redundancy [75.15685966213832]
最適化トラジェクトリのリッチな方向構造をポイントワイズパラメータで解析する。トレーニング中のスカラーバッチノルムパラメータは,ネットワーク全体のトレーニング性能と一致していることを示す。
論文参考訳（メタデータ） (2024-03-12T07:32:47Z)
Tensor Network Representation and Entanglement Spreading in Many-Body Localized Systems: A Novel Approach [0.0]
一次元多体局在系に対する局所運動積分を計算するための新しい手法が考案された。最適なユニタリ変換のクラスはテンソル-ネットワーク形式において導出され、指定された系のハミルトニアンを対角化する。提案手法の効率を評価した結果, 高速かつほぼ正確であることが判明した。
論文参考訳（メタデータ） (2023-12-13T14:28:45Z)
Entanglement bipartitioning and tree tensor networks [0.0]
本稿では,量子多体システムのためのツリーテンソルネットワーク(TTN)の最適ネットワーク構造を設計するための絡み合い分割手法を提案する。最大16個のサイトの絡み合い分割は、1次元と2次元で$S=1/2$ハイゼンベルクモデルに対して非自明なツリーネットワーク構造をもたらすことを示した。
論文参考訳（メタデータ） (2022-10-21T05:36:03Z)
Automatic structural optimization of tree tensor networks [0.0]
そこで本稿では,等距離線を局所的に再接続することで,ネットワーク構造を自動的に最適化するTTNアルゴリズムを提案する。システムの基底状態に埋め込まれた絡み合い構造を,最適化TTNにおける完全二分木として効率的に可視化できることを実証した。
論文参考訳（メタデータ） (2022-09-07T14:51:39Z)
DynACPD Embedding Algorithm for Prediction Tasks in Dynamic Networks [6.5361928329696335]
本稿では,動的ネットワークのテンソル表現に対する高次テンソル分解に基づく動的ネットワークに対する新しい埋め込み手法を提案する。リンク予測タスクにおけるアルゴリズムの性能を,現在のベースライン手法の配列と比較することにより,提案手法のパワーと効率を実証する。
論文参考訳（メタデータ） (2021-03-12T04:36:42Z)
Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。新規な構造化融合正規化に基づく一般グラフ推定器を提案する。提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文参考訳（メタデータ） (2021-03-05T04:42:32Z)
Connecting Weighted Automata, Tensor Networks and Recurrent Neural Networks through Spectral Learning [58.14930566993063]
我々は、形式言語と言語学からの重み付き有限オートマトン(WFA)、機械学習で使用されるリカレントニューラルネットワーク、テンソルネットワークの3つのモデル間の接続を提示する。本稿では,連続ベクトル入力の列上に定義された線形2-RNNに対する最初の証明可能な学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-10-19T15:28:00Z)
A Deep-Unfolded Reference-Based RPCA Network For Video Foreground-Background Separation [86.35434065681925]
本稿では,ロバスト主成分分析(RPCA)問題に対するディープアンフォールディングに基づくネットワーク設計を提案する。既存の設計とは異なり,本手法は連続するビデオフレームのスパース表現間の時間的相関をモデル化することに焦点を当てている。移動MNISTデータセットを用いた実験により、提案したネットワークは、ビデオフォアグラウンドとバックグラウンドの分離作業において、最近提案された最先端のRPCAネットワークより優れていることが示された。
論文参考訳（メタデータ） (2020-10-02T11:40:09Z)
Optimization schemes for unitary tensor-network circuit [0.0]
本稿では,異なるネットワーク構造を持つユニタリテンソルネットワーク回路の変分最適化について論じる。アンザッツは、よく開発されたマルチスケールエンタングルメント再正規化アルゴリズムの一般化に基づいて実行される。本稿では,異なるネットワーク構造に対するベンチマーク計算について述べる。
論文参考訳（メタデータ） (2020-09-05T21:57:28Z)
Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文参考訳（メタデータ） (2020-05-16T04:44:29Z)
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。