論文の概要: Predicting the von Neumann Entanglement Entropy Using a Graph Neural Network

• arxiv url: http://arxiv.org/abs/2503.23635v1
• Date: Mon, 31 Mar 2025 00:38:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:34:44.533465
• Title: Predicting the von Neumann Entanglement Entropy Using a Graph Neural Network
• Title（参考訳）: グラフニューラルネットワークによるノイマンエンタングルメントエントロピーの予測
• Authors: Anas Saleh,
• Abstract要約: 実験可能なビットストリングからフォン・ノイマンエントロピーを予測するために,グラフニューラルネットワークを用いた機械学習手法を提案する。 我々は、このアプローチをRydbergのはしごシステム上でテストし、0から1.9までのエントロピーを持つデータセット上でトレーニング範囲内でテストする場合、平均的な絶対誤差が3.7倍10-3$に達した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Calculating the von Neumann entanglement entropy from experimental data is challenging due to its dependence on the complete wavefunction, forcing reliance on approximations like classical mutual information (MI). We propose a machine learning approach using a graph neural network for predicting the von Neumann entropy from experimentally accessible bitstrings. We tested this approach on a Rydberg ladder system and achieved a mean absolute error of $3.7 \times 10^{-3}$ when testing it inside of its training range on a dataset with entropy ranging from 0 to 1.9, we also evaluated the mean absolute percentage error on the data that have its entropy larger than 0.01 of the maximum entropy(so we can avoid the areas of our phase space with near zero entropy) and got a relative error of 1.72%, outperforming MI-based bounds. When tested beyond this range, the model still delivers reasonable results. Furthermore, we demonstrate that fine tuning the model with a small dataset significantly improves its performance on data outside its original training range.
• Abstract（参考訳）: 実験データからフォン・ノイマン絡み合いエントロピーを計算することは、完全な波動関数に依存するため困難であり、古典的相互情報(MI)のような近似に依存する。 実験可能なビットストリングからフォン・ノイマンエントロピーを予測するために,グラフニューラルネットワークを用いた機械学習手法を提案する。 我々は、このアプローチをライドベルクのラグシステム上でテストし、トレーニング範囲内で0から1.9の範囲のエントロピーを持つデータセットで3.7 \times 10^{-3}$の平均絶対誤差をテストしたとき、そのエントロピーが最大エントロピーの0.01より大きいデータに対する平均絶対誤差(つまり、位相空間の面積をゼロに近いエントロピーで回避できる)を評価し、MIベース境界よりも1.72%の相対誤差を得た。 この範囲を超えてテストすると、モデルはまだ合理的な結果をもたらします。 さらに、小さなデータセットでモデルを微調整することで、元のトレーニング範囲外のデータの性能が大幅に向上することを示した。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Efficient Prior Calibration From Indirect Data [5.588334720483076]
  本稿では,データから先行モデルを学習すること,特にノイズ観測プロセスを通じて得られた間接データの多元的実現から先行モデルを学習することに関心がある。 フォワードモデルの効率的な残差ベースニューラル演算子近似を提案し,これをプッシュフォワードマップと同時学習できることを示した。
  論文  参考訳（メタデータ） (2024-05-28T08:34:41Z)
• Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
  近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。 本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
  論文  参考訳（メタデータ） (2024-04-29T15:04:07Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Score-based Diffusion Models in Function Space [137.70916238028306]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Learning from aggregated data with a maximum entropy model [73.63512438583375]
  我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。 我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
  論文  参考訳（メタデータ） (2022-10-05T09:17:27Z)
• Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
  Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。 GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-08-25T12:33:31Z)
• Learning Functional Priors and Posteriors from Data and Physics [3.537267195871802]
  我々は、歴史的データを用いて時空の露光を可能にするディープニューラルネットワークに基づく新しいフレームワークを開発した。 物理インフォームド・ジェネレーティブ・アダクティブ・アダクティブ・ネットワーク(PI-GAN)を用いて機能的事前学習を行う。 第2段階では, PI-GANの潜伏空間の後方を推定するために, ハミルトニアンモンテカルロ法(HMC)を用いる。
  論文  参考訳（メタデータ） (2021-06-08T03:03:24Z)
• Extensive Studies of the Neutron Star Equation of State from the Deep Learning Inference with the Observational Data Augmentation [0.0]
  質量と半径の実際の観測データを用いて、状態の中性子星方程式(EoS)の深層学習推論について議論する。 観測に不確実性を組み込む深層学習法では,観測の不確実性に対応する雑音変動を伴うトレーニングデータを増強する。 このデータ拡張は,ニューラルネットワークアーキテクチャをチューニングすることなく,過剰フィッティングを回避するための有用な手法である可能性が示唆された。
  論文  参考訳（メタデータ） (2021-01-20T14:27:12Z)
• Density Estimation using Entropy Maximization for Semi-continuous Data [0.0]
  半連続データは、0の点質量と正の実数直線を支持する連続分布の混合である分布から来る。 本稿では,半連続データの密度関数を最大エントロピーの原理を用いて推定するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-17T06:57:33Z)

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。