論文の概要: Aspects of holographic entanglement using physics-informed-neural-networks
- arxiv url: http://arxiv.org/abs/2509.25311v1
- Date: Mon, 29 Sep 2025 18:00:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-01 17:09:04.248509
- Title: Aspects of holographic entanglement using physics-informed-neural-networks
- Title（参考訳）: 物理インフォームドニューラルネットを用いたホログラフィックエンタングルメントの諸相
- Authors: Anirudh Deb, Yaman Sanghavi,
- Abstract要約: 我々は、ホログラフィックエンタングルメントエントロピーとエンタングルメントウェッジ断面積を計算するために、物理インフォームドニューラルネット(PINN)を実装した。
この手法により、任意のAdS計量における部分領域の任意の形状に対してこれらの量を計算することができる。
- 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: We implement physics-informed-neural-networks (PINNs) to compute holographic entanglement entropy and entanglement wedge cross section. This technique allows us to compute these quantities for arbitrary shapes of the subregions in any asymptotically AdS metric. We test our computations against some known results and further demonstrate the utility of PINNs in examples, where it is not straightforward to perform such computations.
- Abstract（参考訳）: 我々は、ホログラフィックエンタングルメントエントロピーとエンタングルメントウェッジ断面積を計算するために、物理インフォームドニューラルネット(PINN)を実装した。
この手法により、漸近的にAdS計量の任意の部分領域の任意の形状に対してこれらの量を計算することができる。
我々は,いくつかの既知の結果に対して計算を検証し,さらに実例でPINNの有用性を実証する。
関連論文リスト
- Physics-informed KAN PointNet: Deep learning for simultaneous solutions to inverse problems in incompressible flow on numerous irregular geometries [4.548755617115688]
Kolmogorov-Arnold Networks (KAN) は、従来の多層パーセプトロン(MLP)の代替として注目されている。
本稿では,計算領域の幾何学的特徴を捉えるために,共有kansをPointNetアーキテクチャに統合する物理インフォームドポイントネット(PI-KAN-PointNet)を紹介する。
PI-KAN-PointNetは、特に非滑らかな幾何学を含む未知の境界条件の値に対して、より正確な予測をもたらす。
論文 参考訳（メタデータ） (2025-04-08T12:31:57Z) - Conditional computation in neural networks: principles and research trends [48.14569369912931]
本稿では,ニューラルネットワークの設計にテクトコンディショナリ計算を適用するという,新たな領域の原理とアイデアを要約する。
特に、入力に条件付きで計算グラフの一部を動的に活性化または非活性化するニューラルネットワークに焦点を当てる。
論文 参考訳（メタデータ） (2024-03-12T11:56:38Z) - Feature Mapping in Physics-Informed Neural Networks (PINNs) [1.9819034119774483]
本研究では, Conjugate Kernel と Neural Tangent Kernel を限定した特徴マッピング層を用いた PINN の訓練力学について検討する。
より優れた代替として,条件付き正定値ラジアル基底関数を提案する。
論文 参考訳（メタデータ） (2024-02-10T13:51:09Z) - A Derivation of Feedforward Neural Network Gradients Using Fr\'echet
Calculus [0.0]
Fr'teche calculus を用いたフィードフォワードニューラルネットワークの勾配の導出を示す。
我々の分析が、畳み込みネットワークを含むより一般的なニューラルネットワークアーキテクチャにどのように一般化するかを示す。
論文 参考訳（メタデータ） (2022-09-27T08:14:00Z) - Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。
特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。
実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文 参考訳（メタデータ） (2022-04-21T05:27:09Z) - Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。
egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。
このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
論文 参考訳（メタデータ） (2022-01-13T16:35:45Z) - Estimating informativeness of samples with Smooth Unique Information [108.25192785062367]
サンプルが最終的な重みを知らせる量と、重みによって計算される関数を知らせる量を測定します。
線形化ネットワークを用いてこれらの量の効率的な近似を行う。
本稿では,データセットの要約など,いくつかの問題に適用する。
論文 参考訳（メタデータ） (2021-01-17T10:29:29Z)
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。