論文の概要: Absorbing detectors meet scattering theory

• arxiv url: http://arxiv.org/abs/2509.07518v1
• Date: Tue, 09 Sep 2025 08:53:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.239524
• Title: Absorbing detectors meet scattering theory
• Title（参考訳）: 吸収検出器は散乱理論を満たす
• Authors: Will Cavendish, Siddhant Das,
• Abstract要約: 吸収境界条件 (ABC) は、スクリーン問題に対処するための顕著なアプローチである。 ABC提案の予測は散乱理論の確立された結果と緊張関係にあることを示す。 ABCの提案によって記述された物理検出器が将来発見される可能性は依然としてあるが,この提案は画面問題に対する一般的な解決策として実証的に不十分である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Any proposed solution to the "screen problem" in quantum mechanics -- the challenge of predicting the joint distribution of particle arrival times and impact positions -- must align with the extensive data obtained from scattering experiments. In this paper, we conduct a direct consistency check of the Absorbing Boundary Condition (ABC) proposal, a prominent approach to address the screen problem, against the predictions derived from scattering theory (ST). Through a series of exactly solvable one- and two-dimensional examples, we demonstrate that the ABC proposal's predictions are in tension with the well-established results of ST. Specifically, it predicts sharp momentum- and screen-orientation-dependent detection probabilities, along with secondary reflections that contradict existing experimental data. We conclude that while it remains possible that physical detectors described by the ABC proposal could be found in the future, the proposal is empirically inadequate as a general solution to the screen problem, as it is inconsistent with the behavior of detectors in standard experimental settings.
• Abstract（参考訳）: 量子力学における「スクリーン問題」に対するあらゆる提案された解決策 -- 粒子到着時間と衝突位置の合同分布を予測するという課題 -- は、散乱実験から得られた広範なデータと一致しなければならない。 本稿では,散乱理論(ST)から導かれる予測に対して,スクリーン問題に対処する顕著なアプローチである吸収境界条件(ABC)の直接整合性チェックを行う。 具体的には、既存の実験データと矛盾する二次反射とともに、シャープな運動量および画面向きに依存した検出確率を予測する。 ABCの提案によって記述された物理検出器は今後発見される可能性があるが,本提案は標準的な実験環境における検出器の挙動と矛盾するため,画面問題に対する一般的な解決策として実証的に不十分である。

関連論文リスト

• Gaussian boson sampling validation via detector binning [0.0]
  本稿では,GBS実験を統計的に検証するに適した量として,双対検出器の確率分布を提案する。 それぞれの特性関数との接続を利用して,そのような分布の計算方法を示す。 また、すべての可能な干渉ネットワーク上でHaar平均化を行うとき、双対検出器の確率分布がどのように振る舞うかを示す。
  論文  参考訳（メタデータ） (2023-10-27T12:55:52Z)
• Potential scattering in $L^2$ space: (2) Rigorous scattering probability of wave packets [0.0]
  近距離ポテンシャルの大多数で定常散乱状態のスカラー生成物では、アソシエーションの破れが観察される。 結果はまた、一意な振る舞いを極端に前方に示す干渉項も示している。
  論文  参考訳（メタデータ） (2023-05-26T14:23:50Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• Excess risk analysis for epistemic uncertainty with application to variational inference [110.4676591819618]
  我々は、未知の分布からデータが生成される頻繁なセッティングにおいて、新しいEU分析を提示する。 一般化能力と、予測分布の分散やエントロピーなど、広く使用されているEUの測定値との関係を示す。 本研究では,PAC-ベイジアン理論に基づく予測とEU評価性能を直接制御する新しい変分推論を提案する。
  論文  参考訳（メタデータ） (2022-06-02T12:12:24Z)
• Non-Linear Spectral Dimensionality Reduction Under Uncertainty [107.01839211235583]
  我々は、不確実性情報を活用し、いくつかの従来のアプローチを直接拡張する、NGEUと呼ばれる新しい次元削減フレームワークを提案する。 提案したNGEUの定式化は,大域的な閉形式解を示し,Radecherの複雑性に基づいて,基礎となる不確実性がフレームワークの一般化能力に理論的にどのように影響するかを分析する。
  論文  参考訳（メタデータ） (2022-02-09T19:01:33Z)
• Provable RL with Exogenous Distractors via Multistep Inverse Dynamics [85.52408288789164]
  実世界の強化学習(RL)の応用は、メガピクセルカメラから生成されたような高次元の観察にエージェントが対処する必要がある。 従来の研究は表現学習でこのような問題に対処しており、エージェントは生の観察から内因性、潜伏状態の情報を確実に抽出することができる。 しかし、このような手法は観測において時間的に相関するノイズの存在下では失敗する可能性がある。
  論文  参考訳（メタデータ） (2021-10-17T15:21:27Z)
• Deep Random Projection Outlyingness for Unsupervised Anomaly Detection [1.2249546377051437]
  元のランダムプロジェクションアウトライジングネス尺度をニューラルネットワークに修正して関連付け、教師なし異常検出方法を得る。 提案したニューラルネットワークアプローチの性能は、最先端の異常検出手法に匹敵する。
  論文  参考訳（メタデータ） (2021-06-08T14:13:43Z)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。