Fugu-MT 論文翻訳(概要): Learning Minimal Representations of Fermionic Ground States

論文の概要: Learning Minimal Representations of Fermionic Ground States

arxiv url: http://arxiv.org/abs/2512.11767v1
Date: Fri, 12 Dec 2025 18:26:05 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-15 15:48:11.868495
Title: Learning Minimal Representations of Fermionic Ground States
Title（参考訳）: フェルミオン基底状態の最小表現の学習
Authors: Felix Frohnert, Emiel Koridon, Stefano Polla,
Abstract要約: 量子多体基底状態の最適圧縮表現を探索する教師なし機械学習フレームワークを提案する。最小の潜伏空間をL-1$潜伏次元の鋭い再構成品質閾値で同定し,システム固有の自由度に適合する。
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: We introduce an unsupervised machine-learning framework that discovers optimally compressed representations of quantum many-body ground states. Using an autoencoder neural network architecture on data from $L$-site Fermi-Hubbard models, we identify minimal latent spaces with a sharp reconstruction quality threshold at $L-1$ latent dimensions, matching the system's intrinsic degrees of freedom. We demonstrate the use of the trained decoder as a differentiable variational ansatz to minimize energy directly within the latent space. Crucially, this approach circumvents the $N$-representability problem, as the learned manifold implicitly restricts the optimization to physically valid quantum states.
Abstract（参考訳）: 量子多体基底状態の最適圧縮表現を探索する教師なし機械学習フレームワークを提案する。 L$サイトのFermi-Hubbardモデルから得られたデータに基づくオートエンコーダニューラルネットワークアーキテクチャを用いて、L-1$の遅延次元で高い再現品質の閾値を持つ最小潜在空間を同定し、システムの本質的な自由度と一致する。遅延空間内で直接エネルギーを最小化するために、訓練されたデコーダを微分可能な変分アンサッツとして用いることを実証する。重要なことに、学習多様体は物理的に有効な量子状態への最適化を暗黙的に制限するため、このアプローチは$N$-representability問題を回避する。

関連論文リスト

Projective Kolmogorov Arnold Neural Networks (P-KANs): Entropy-Driven Functional Space Discovery for Interpretable Machine Learning [0.0]
Kolmogorov-Arnold Networks (KAN) は学習可能な非線形性をノードからエッジに移動させる。現在のkanは、高次元スプラインパラメータ空間の冗長性に起因する基本的な非効率性に悩まされている。本稿では,エッジ関数発見を導く新しいトレーニングフレームワークであるProjective Kolmogorov-Arnold Networks (P-KANs)を紹介する。
論文参考訳（メタデータ） (2025-09-24T12:15:37Z)
Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
論文参考訳（メタデータ） (2025-09-22T15:13:14Z)
Physics-Informed Graph Neural Networks for Transverse Momentum Estimation in CMS Trigger Systems [0.0]
高エネルギー物理におけるリアルタイム粒子横運動量(p_T$)推定は、厳密なハードウェア制約の下で効率的なアルゴリズムを要求する。本稿では,物理インフォームドグラフニューラルネットワーク(GNN)フレームワークを提案する。我々の共同設計手法は、既存のベースラインに比べて精度と効率のトレードオフが優れている。
論文参考訳（メタデータ） (2025-07-25T12:19:57Z)
Lightweight Federated Learning over Wireless Edge Networks [83.4818741890634]
Federated (FL) はネットワークエッジの代替品であるが、無線ネットワークでは代替品である。閉形式式FL収束ギャップ伝送パワー,モデルプルーニング誤差,量子化を導出する。 LTFLは、実世界のデータセットの実験において最先端のスキームよりも優れている。
論文参考訳（メタデータ） (2025-07-13T09:14:17Z)
Global Convergence and Rich Feature Learning in $L$-Layer Infinite-Width Neural Networks under $μ$P Parametrization [66.03821840425539]
本稿では, テンソル勾配プログラム(SGD)フレームワークを用いた$L$層ニューラルネットワークのトレーニング力学について検討する。 SGDにより、これらのネットワークが初期値から大きく逸脱する線形独立な特徴を学習できることを示す。このリッチな特徴空間は、関連するデータ情報をキャプチャし、トレーニングプロセスの収束点が世界最小であることを保証する。
論文参考訳（メタデータ） (2025-03-12T17:33:13Z)
Automated quantum system modeling with machine learning [0.0]
機械学習アルゴリズムは、簡単な量子力学測定のセットを考慮し、量子モデルを構築することができることを示す。我々は、マルコフのオープン量子システムのシミュレーションを通して、ニューラルネットワークが有効状態の$N$を自動的に検出できることを示した。
論文参考訳（メタデータ） (2024-09-27T15:18:20Z)
Deep Neural Networks as Variational Solutions for Correlated Open Quantum Systems [0.0]
より強力なモデルで直接密度行列をパラメータ化することで、より良い変分アンザッツ関数が得られることを示す。本稿では, 散逸的一次元逆場イジングモデルと2次元散逸的ハイゼンベルクモデルについて述べる。
論文参考訳（メタデータ） (2024-01-25T13:41:34Z)
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)
Efficient and Flexible Approach to Simulate Low-Dimensional Quantum Lattice Models with Large Local Hilbert Spaces [0.08594140167290096]
任意の種類の格子モデルに対して,人工的な$U(1)$対称性を構築することができるマッピングを導入する。生成された対称性を爆発させると、局所的な自由度に関連する数値費用は大幅に減少する。本研究の結果は,典型的なアルゴリズムで発生する乱れの直感的な物理像を動機付けている。
論文参考訳（メタデータ） (2020-08-19T14:13:56Z)
When Residual Learning Meets Dense Aggregation: Rethinking the Aggregation of Deep Neural Networks [57.0502745301132]
我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
論文参考訳（メタデータ） (2020-04-19T08:34:52Z)

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。