論文の概要: Inhomogeneous SSH models and the doubling of orthogonal polynomials
- arxiv url: http://arxiv.org/abs/2511.15527v1
- Date: Wed, 19 Nov 2025 15:23:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-20 15:51:28.867175
- Title: Inhomogeneous SSH models and the doubling of orthogonal polynomials
- Title（参考訳）: 不均一SSHモデルと直交多項式の二重化
- Authors: Nicolas Crampé, Quentin Labriet, Lucia Morey, Gilles Parez, Luc Vinet,
- Abstract要約: シーケンスの二重化法を用いてSu-Schrieffer-Heeger(SSH)モデルの解析を行う。
このアプローチは、モデルの分析スペクトルと正確な固有状態をもたらす。
- 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 analyze Su-Schrieffer-Heeger (SSH) models using the doubling method for orthogonal polynomial sequences. This approach yields the analytical spectrum and exact eigenstates of the models. We demonstrate that the standard SSH model is associated with the doubling of Chebyshev polynomials. Extending this technique to the doubling of other finite sequences enables the construction of Hamiltonians for inhomogeneous SSH models which are exactly solvable. We detail the specific cases associated with Krawtchouk and $q$-Racah polynomials. This work highlights the utility of polynomial-doubling techniques in obtaining exact solutions for physical models.
- Abstract（参考訳）: 直交多項式列の二重化法を用いてSu-Schrieffer-Heeger(SSH)モデルを解析する。
このアプローチは、モデルの分析スペクトルと正確な固有状態をもたらす。
標準SSHモデルはチェビシェフ多項式の二重化と関連していることを示す。
この技法を他の有限列の倍数に拡張することで、正確に解ける不均一なSSHモデルに対するハミルトニアンの構成が可能になる。
Krawtchouk および $q$-Racah 多項式に関連する特定のケースについて詳述する。
この研究は、物理モデルの正確な解を得るための多項式二重化技術の有用性を強調している。
関連論文リスト
- Hierarchical Stochastic Differential Equation Models for Latent Manifold Learning in Neural Time Series [0.0]
本稿では計算効率と解釈可能性のバランスをとる新しい階層微分方程式(SDE)モデルを提案する。
我々は、トレーニングと推論の手順を導出し、推論の計算コストが観測データの長さと線形にスケールすることを示す。
論文 参考訳（メタデータ） (2025-07-29T06:51:58Z) - $p$-Adic Polynomial Regression as Alternative to Neural Network for Approximating $p$-Adic Functions of Many Variables [55.2480439325792]
任意の精度で連続関数を近似できる回帰モデルを構築している。
提案モデルは、ニューラルネットワークアーキテクチャに基づく$p$-adicモデルの簡単な代替と見なすことができる。
論文 参考訳（メタデータ） (2025-03-30T15:42:08Z) - Exploring the Potential of Polynomial Basis Functions in Kolmogorov-Arnold Networks: A Comparative Study of Different Groups of Polynomials [0.0]
本稿では,ゴットリーブモゴロフネットワーク(KAN)モデルにおける18の異なる特徴とその潜在的な応用について述べる。
本研究は,手書き桁分類などの複雑なタスクに対するkanモデルにおける基本関数としての theseDistincts の適合性を検討することを目的とする。
総合的精度,Kappa,F1スコアを含むkanモデルの性能指標を評価し,比較した。
論文 参考訳（メタデータ） (2024-05-30T20:40:16Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - Bilinear Classes: A Structural Framework for Provable Generalization in
RL [119.42509700822484]
Bilinear Classesは強化学習の一般化を可能にする新しい構造フレームワークである。
このフレームワークは、サンプルの複雑さが達成可能な、ほとんどすべての既存のモデルを取り込んでいる。
我々の主な成果は、双線形クラスのためのサンプル複雑性を持つRLアルゴリズムである。
論文 参考訳（メタデータ） (2021-03-19T16:34:20Z) - Hessian Eigenspectra of More Realistic Nonlinear Models [73.31363313577941]
私たちは、非線形モデルの広いファミリーのためのヘッセン固有スペクトルの言語的特徴付けを行います。
我々の分析は、より複雑な機械学習モデルで観察される多くの顕著な特徴の起源を特定するために一歩前進する。
論文 参考訳（メタデータ） (2021-03-02T06:59:52Z) - Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。
アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。
ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
論文 参考訳（メタデータ） (2020-02-20T10:50:58Z)
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。