論文の概要: Rydberg blockade mechanism through the lens of graph theory: characterization and applications
- arxiv url: http://arxiv.org/abs/2506.13228v1
- Date: Mon, 16 Jun 2025 08:26:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-17 17:28:47.796897
- Title: Rydberg blockade mechanism through the lens of graph theory: characterization and applications
- Title（参考訳）: グラフ理論のレンズによるライダーベルク封鎖機構:特性と応用
- Authors: Elie Bermot, Lucia Valor, Wesley Coelho, Louis-Paul Henry, Natalie Pearson,
- Abstract要約: Rydbergブロックは、中性原子デバイスを用いた量子アルゴリズムの基本である。
本稿では、Rydbergブロックとその動作を、様々な駆動スキームの下で包括的に理論的に解析する。
- 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: The Rydberg blockade phenomenon is fundamental to quantum algorithms employing neutral atom devices. By preventing two neighboring atoms from being simultaneously excited, it facilitates the embedding of unit disk graphs. This paper provides a comprehensive theoretical analysis of the Rydberg blockade and its behavior under various drive schemes. We introduce new metrics for graph embedding, specifically the correlation matrix and maximum independence violation, and apply them to facilitate the embedding of disk graphs, a parent class of the unit disk graph class. Furthermore, we address the Maximum Independent Set (MIS) problem on embedded disk graphs and demonstrate that a local drive, informed by local blockade radii, outperforms the globally applied drive commonly used for solving the MIS problem in unit disk graphs.
- Abstract（参考訳）: ライドバーグ封鎖現象は、中性原子デバイスを用いた量子アルゴリズムの基本である。
2つの隣の原子が同時に励起されることを防ぎ、単位円板グラフの埋め込みを容易にする。
本稿では、Rydbergブロックとその動作を、様々な駆動スキームの下で包括的に理論的に解析する。
グラフ埋め込みのための新しいメトリクス、特に相関行列と最大独立性違反を導入し、それらを単位円板グラフクラスの親クラスである円板グラフの埋め込みを容易にするために適用する。
さらに、組込みディスクグラフ上での最大独立集合(MIS)問題に対処し、ローカルブロッカドラディに通知されたローカルドライブが、単位ディスクグラフにおけるMIS問題の解法として一般的に使用されるグローバル適用ドライブよりも優れていることを示す。
関連論文リスト
- Graph Attention is Not Always Beneficial: A Theoretical Analysis of Graph Attention Mechanisms via Contextual Stochastic Block Models [8.098074314691125]
構造ノイズが特徴雑音を超えると,グラフアテンション機構により分類性能が向上することを示す。
本稿では,単一層GATよりも優れたマルチレイヤグラフアテンションネットワーク(GAT)アーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-12-20T02:22:38Z) - Port-Hamiltonian Architectural Bias for Long-Range Propagation in Deep Graph Networks [55.227976642410766]
グラフ内の情報拡散のダイナミクスは、グラフ表現学習に大きな影響を及ぼす重要なオープン問題である。
そこで我々は(ポート-)Hamiltonian Deep Graph Networksを紹介した。
我々は,非散逸的長距離伝播と非保守的行動の両方を,単一の理論的・実践的な枠組みで調整する。
論文 参考訳（メタデータ） (2024-05-27T13:36:50Z) - LSEnet: Lorentz Structural Entropy Neural Network for Deep Graph Clustering [59.89626219328127]
グラフクラスタリングは機械学習の基本的な問題である。
近年、ディープラーニング手法は最先端の成果を達成しているが、事前に定義されたクラスタ番号なしでは動作できない。
本稿では,グラフ情報理論の新たな視点からこの問題に対処することを提案する。
論文 参考訳（メタデータ） (2024-05-20T05:46:41Z) - Exploring the impact of graph locality for the resolution of MIS with
neutral atom devices [0.755972004983746]
グラフのより複雑なクラスを埋め込むために3Dアレンジメントを用いた最近の進歩の上に構築する。
本稿では,量子コンピュータ上での難しい問題に対処するための重要なステップを示す実験的,理論的結果について報告する。
論文 参考訳（メタデータ） (2023-06-23T08:53:16Z) - Graph Pooling with Maximum-Weight $k$-Independent Sets [12.251091325930837]
最大ウェイト$k$非依存集合のグラフ理論的概念に基づくグラフ粗化機構を導入する。
我々は、経路長の歪み境界の理論的保証と、粗化グラフにおける重要な位相特性を保存できることを証明した。
論文 参考訳（メタデータ） (2022-08-06T14:12:47Z) - Online Inference for Mixture Model of Streaming Graph Signals with
Non-White Excitation [34.30390182564043]
フィルタされた低域通過グラフ信号と、おそらく非白色および低ランクの励起の混合モデルについて検討する。
本稿では,グラフのノード中心性に着目した推論問題を考える。
本稿では,ストリーミングデータからの推論のための新しいオンラインEMアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-07-28T11:25:47Z) - Non-separable Spatio-temporal Graph Kernels via SPDEs [69.4678086015418]
原則付き時間モデリングのための正当化されたグラフカーネルの欠如は、グラフ問題における彼らの使用を妨げてきた。
偏微分方程式(SPDE)とオンセパ時間グラフのリンクを利用し、SPDEを介してグラフカーネルを導出するフレームワークを導入する。
グラフ上でのGPモデリングのための新しいツールを提供することで、既存のグラフカーネルを実世界のアプリケーションで上回っていることを示す。
論文 参考訳（メタデータ） (2021-11-16T14:53:19Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。