論文の概要: Probing the Spacetime Structure of Entanglement in Monitored Quantum Circuits with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2603.22244v1
• Date: Mon, 23 Mar 2026 17:41:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.820298
• Title: Probing the Spacetime Structure of Entanglement in Monitored Quantum Circuits with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた監視量子回路における絡み合いの時空構造探索
• Authors: Javad Vahedi, Stefan Kettemann,
• Abstract要約: 量子多体系の大域的絡み合いは本質的に非局所的であり、局所的な観測から推測できるかどうかという問題を提起している。 観測された量子回路では、時空に分散した古典的なレコードを投影的に生成する。 グラフニューラルネットワーク(GNN)を用いて、個々の量子軌跡を有向時空グラフとして表現し、局所的な測定データのみから半鎖エントロピーを再構築する。
• 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: Global entanglement in quantum many-body systems is inherently nonlocal, raising the question of whether it can be inferred from local observations. We investigate this problem in monitored quantum circuits, where projective measurements generate classical records distributed across spacetime. Using graph neural networks (GNNs), we represent individual quantum trajectories as directed spacetime graphs and reconstruct the half-chain entanglement entropy from local measurement data alone. Because information propagates through the network via local message passing, the architecture directly controls the spacetime region over which correlations can be aggregated. By systematically varying this accessible scale -- through network depth and hierarchical spacetime coarse-graining -- we probe how much measurement information is required to reconstruct global entanglement. We find that prediction accuracy improves as the accessible spacetime region grows and that results from different architectures collapse when expressed in terms of an effective spacetime scale combining depth and coarse-graining. These results demonstrate that the information required to reconstruct global entanglement is organized in spacetime scales and show that graph-based learning architectures provide a controlled operational framework for probing how global quantum correlations emerge from local measurement data.
• Abstract（参考訳）: 量子多体系の大域的絡み合いは本質的に非局所的であり、局所的な観測から推測できるかどうかという問題を提起している。 観測された量子回路では、時空に分散した古典的なレコードを投影的に生成する。 グラフニューラルネットワーク(GNN)を用いて、個々の量子軌跡を有向時空グラフとして表現し、局所的な測定データのみから半鎖エントロピーを再構築する。 情報はローカルメッセージパッシングを介してネットワークを介して伝播するので、アーキテクチャは相関を集約できる時空領域を直接制御する。 ネットワークの深さと階層的な時空粗粒化を通じて、このアクセス可能なスケールを体系的に変化させることで、グローバルな絡み合いを再構築するためにどれだけの計測情報が必要とされるかを調査する。 時空領域が拡大するにつれて予測精度が向上し, 深度と粗粒度を組み合わせた効果的な時空スケールで表すと, 異なるアーキテクチャが崩壊することがわかった。 これらの結果は、グローバルな絡み合いを再構築するために必要な情報が時空スケールで整理され、グラフベースの学習アーキテクチャが、局所的な測定データからグローバルな量子相関がどのように現れるかを予測するための制御された運用フレームワークを提供することを示す。

関連論文リスト

• Probing graph topology from local quantum measurements [0.0]
  本研究では, 平均度, ハブ密度, 固定長の閉路数などの未知の量子ネットワークのグローバルな特性を, 厳密な局所的な量子測定から推定できることを示す。 ノードのごく一部しかアクセスできない悪意のあるエージェントが、量子状態を局所的に初期化し、反復的短時間測定によりネットワーク全体の機密構造情報を抽出できることを実証する。
  論文  参考訳（メタデータ） (2025-07-31T16:06:45Z)
• Global Out of Time Order Correlators as a Signature of Scrambling Dynamics of Local Observables [0.0]
  Out-of-Time-Order Correlatorは、量子情報のスクランブルのプロキシとして機能する。 情報スクランブルを探索するためのOTOCの最も実験的な実装は、地球規模の観測値に基づく間接的な測定に依存している。 我々は、NMR実験の文脈において、OTOCとグローバル・ローカル・オブザーバブルの直接接続を確立する。
  論文  参考訳（メタデータ） (2024-07-03T16:59:30Z)
• Robust Collaborative Perception without External Localization and Clock Devices [52.32342059286222]
  複数のエージェントをまたいだ一貫した空間的時間的調整は、協調的な知覚の基礎である。 従来の手法は、ローカライゼーションとクロック信号を提供するために外部デバイスに依存している。 本稿では,様々なエージェントの知覚データに内在する幾何学的パターンを認識して整列する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-05T15:20:36Z)
• Overlapping qubits from non-isometric maps and de Sitter tensor networks [41.94295877935867]
  局所的な実効理論の過程は、自由度が低い量子系と密接な関係を持つことが示される。 重なり合う量子ビットが、概念的にはヒルベルト空間次元の検証、ブラックホールやホログラフィーにおける自由度数とどのように結びついているかを強調した。
  論文  参考訳（メタデータ） (2023-04-05T18:08:30Z)
• 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)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• Space Meets Time: Local Spacetime Neural Network For Traffic Flow Forecasting [11.495992519252585]
  このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。 交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。 提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
  論文  参考訳（メタデータ） (2021-09-11T09:04:35Z)

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。