Fugu-MT 論文翻訳(概要): $\ell$-Multiranks of Multipartite Quantum States via Tensor Flattening: A Mathematica Codebase

論文の概要: $\ell$-Multiranks of Multipartite Quantum States via Tensor Flattening: A Mathematica Codebase

arxiv url: http://arxiv.org/abs/2601.11551v1
Date: Tue, 09 Dec 2025 12:53:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-25 16:54:51.752548
Title: $\ell$-Multiranks of Multipartite Quantum States via Tensor Flattening: A Mathematica Codebase
Title（参考訳）: テンソルフラッテニングによる多部量子状態の$$$-ultiranks: A Mathematica Codebase
Authors: Masoud Gharahi,
Abstract要約: 我々は、多量子状態の$ell$-multilinear rank(ell$-multiranks)を計算するためのMathematicaを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a Mathematica codebase for computing $\ell$-multilinear ranks ($\ell$-multiranks) of multiqudit quantum states using tensor-flattening techniques. By calculating the ranks of all bipartition-induced matricizations, the method provides an efficient criterion for detecting Genuine Multipartite Entangled (GME) states in systems with local dimension $d$. The code automatically generates all required tensor reshapes and outputs the full $\ell$-multirank profile, offering a practical tool for characterizing entanglement in high-dimensional multiqudit systems.
Abstract（参考訳）: テンソルフラット化技術を用いて,多量子状態の階数$\ell$-multilinear($\ell$-multiranks)を計算するためのMathematicaコードベースを提案する。局所次元が$d$のシステムにおいて、すべての二分法により引き起こされるマストリゼーションのランクを計算することにより、GME(Genuine Multipartite Entangled)状態を検出するための効率的な基準を提供する。コードは、必要なテンソル再応答を自動的に生成し、$$\ell$-multirankプロファイルを出力し、高次元マルチキュージットシステムの絡み合いを特徴づける実用的なツールを提供する。

関連論文リスト

LREI: A fast numerical solver for quantum Landau-Lifshitz equations [0.0]
我々はLandau-Lifshitz (q-LL) 方程式と量子Landau-Lifshitz-Gilbert (q-LLG) 方程式を解くためのメモリ効率と時間効率のスキーム LREI を開発した。
論文参考訳（メタデータ） (2025-08-28T20:33:37Z)
Matrix-product entanglement characterizing the optimality of state-preparation quantum circuits [1.9443029989289298]
本稿では,行列積状態表現を組み込んだ多部的絡み合い尺度のクラスを提案する。これらの措置は、$chi$-specified matrix product entanglement(chi$-MPE)と呼ばれる。本研究は,マルチパーティントエンタングルメントのパラメータ化手法を開発するための強力な汎用ツールとしてテンソルネットワークを構築した。
論文参考訳（メタデータ） (2025-07-08T13:49:53Z)
The Generative Leap: Sharp Sample Complexity for Efficiently Learning Gaussian Multi-Index Models [71.5283441529015]
この研究において、ラベルは(ガウス)$d$-次元入力にのみ依存し、低次元$r = O_d(1)$部分空間への射影を通して得られる。生成的跳躍指数 $kstar$, [Damian et al.'24] から生成的指数の自然拡張をマルチインデックス設定に導入する。
論文参考訳（メタデータ） (2025-06-05T18:34:56Z)
Learning Networks from Wide-Sense Stationary Stochastic Processes [7.59499154221528]
ここでの重要な推論問題は、ノード出力(ポテンシャル)からエッジ接続を学習することである。我々はWhittleの最大可能性推定器(MLE)を用いて時間相関サンプルから$Last$のサポートを学習する。 MLE問題は厳密な凸であり、ユニークな解であることを示す。
論文参考訳（メタデータ） (2024-12-04T23:14:00Z)
Quantum Resources Required to Block-Encode a Matrix of Classical Data [56.508135743727934]
回路レベルの実装とリソース推定を行い、古典データの高密度な$Ntimes N$行列をブロックエンコードして$epsilon$を精度良くすることができる。異なるアプローチ間のリソーストレードオフを調査し、量子ランダムアクセスメモリ(QRAM)の2つの異なるモデルの実装を検討する。我々の結果は、単純なクエリの複雑さを超えて、大量の古典的データが量子アルゴリズムにアクセスできると仮定された場合のリソースコストの明確な図を提供する。
論文参考訳（メタデータ） (2022-06-07T18:00:01Z)
Leverage Score Sampling for Tensor Product Matrices in Input Sparsity Time [54.65688986250061]
我々は,$q$-foldカラムワイドテンソル積の$q$行列に対応するグラム行列を近似するための入力空間時間サンプリングアルゴリズムを提案する。我々のサンプリング技術は、合計時間でデータセット$X$に同時に適用できる$q$部分相関ランダムプロジェクションのコレクションに依存している。
論文参考訳（メタデータ） (2022-02-09T15:26:03Z)
Metric Transforms and Low Rank Matrices via Representation Theory of the Real Hyperrectangle [17.808087068037985]
ハイパー矩形から生じる行列の固有ベクトルと固有値の計算方法を示す。次に、これらの接続と共に新しい手法を使用して、いくつかの新しい構造結果を示す。
論文参考訳（メタデータ） (2020-11-23T16:03:12Z)
Linear-Sample Learning of Low-Rank Distributions [56.59844655107251]
ktimes k$, rank-r$, matrices to normalized $L_1$ distance requires $Omega(frackrepsilon2)$ sample。我々は、$cal O(frackrepsilon2log2fracepsilon)$ sample, a number linear in the high dimension, and almost linear in the matrices, usually low, rank proofs.というアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-09-30T19:10:32Z)
Linear Time Sinkhorn Divergences using Positive Features [51.50788603386766]
エントロピー正則化で最適な輸送を解くには、ベクトルに繰り返し適用される$ntimes n$ kernel matrixを計算する必要がある。代わりに、$c(x,y)=-logdotpvarphi(x)varphi(y)$ ここで$varphi$は、地上空間から正のorthant $RRr_+$への写像であり、$rll n$である。
論文参考訳（メタデータ） (2020-06-12T10:21:40Z)
A Randomized Algorithm to Reduce the Support of Discrete Measures [79.55586575988292]
離散確率測度が$N$原子と$n$実数値関数の集合で成り立つと、元の$N$原子の$n+1$の部分集合で支えられる確率測度が存在する。我々は、負の円錐によるバリセンターの簡単な幾何学的特徴付けを与え、この新しい測度を「グリード幾何学的サンプリング」によって計算するランダム化アルゴリズムを導出する。次に、その性質を研究し、それを合成および実世界のデータにベンチマークして、$Ngg n$ regimeにおいて非常に有益であることを示す。
論文参考訳（メタデータ） (2020-06-02T16:38:36Z)

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。