論文の概要: Reconstructing conformal field theoretical compositions with Transformers

• arxiv url: http://arxiv.org/abs/2605.01072v1
• Date: Fri, 01 May 2026 20:09:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.566381
• Title: Reconstructing conformal field theoretical compositions with Transformers
• Title（参考訳）: 変圧器を用いた共形場理論合成の再構成
• Authors: Haotian Cao, Garrett Merz, Kyle Cranmer, Gary Shiu,
• Abstract要約: Wess-Zumino-Wittenモデルから構築したテンソル積の理論を復元する際の精度は98%である。 この課題に対してトランスフォーマーは有効であり,AdS/CFTにおけるバルク再構築のための新しいツールを目指していた。
• 参考スコア（独自算出の注目度）: 0.9812136638760589
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the use of transformers to reconstruct the compositions of tensor products of two-dimensional rational conformal field theories (RCFTs) based on their low-energy spectra. The task is challenging due to its combinatorial nature. The constituent theories are characterized by their central charges and affine Lie algebra labels. We achieve 98% accuracy in recovering the constituents of tensor products theories constructed from Wess-Zumino-Witten models. We further demonstrate that our method generalizes to CFTs with larger central charge and unseen classes of RCFTs by adding a small number of out-of-domain examples. Our results show that transformers are effective at this task and point towards a new tool for bulk reconstruction in AdS/CFT.
• Abstract（参考訳）: 低エネルギースペクトルに基づく2次元有理共形場理論(RCFT)のテンソル積の合成を変換器を用いて再構成する。 その仕事はその組み合わせの性質のために難しい。 構成理論は中心電荷とアフィンリー代数ラベルによって特徴づけられる。 Wess-Zumino-Wittenモデルから構築したテンソル積の理論を復元する際の精度は98%である。 さらに、本手法は、少数のドメイン外例を追加することで、より大きな中心電荷を持つ CFT に一般化し、RCFT のクラスが見えないことを実証する。 この課題に対してトランスフォーマーは有効であり,AdS/CFTにおけるバルク再構築のための新しいツールを目指していた。

関連論文リスト

• Structured Multidimensional Representation Learning for Large Language Models [0.0]
  トランスフォーマーアーキテクチャは、幅広いパターン認識と自然言語処理タスクで最先端のパフォーマンスを達成する。 三次元テンソルのL-積に基づく埋め込み空間の構造的スペクトル分解を導入する。 提案するL-Transformerは,少ない埋め込みで動作するp並列変換器とスペクトル的に等価であることを示す。
  論文  参考訳（メタデータ） (2026-03-05T22:34:45Z)
• TensorLens: End-to-End Transformer Analysis via High-Order Attention Tensors [53.891337639229285]
  高次アテンション・インタラクション接続を通して表現された入力依存線形演算子として変換器全体をキャプチャする新しい定式化である attentionLens を導入する。 本実験は,注目テンソルが,解釈可能性とモデル理解を目的としたツール開発のための強力な基盤となることを実証した。
  論文  参考訳（メタデータ） (2026-01-25T19:21:25Z)
• Mixture-of-Transformers Learn Faster: A Theoretical Study on Classification Problems [59.94955550958074]
  本研究では,各変圧器ブロックが連続的に訓練されたゲーティングネットワークによって制御される専門家として機能する,トラクタブルな理論的枠組みについて検討する。 専門家の専門化は、勾配の衝突を減らし、各サブタスクを強く凸させることを示す。 トレーニングによって予測損失が$O(log(epsilon-1)$のステップでゼロに近づき、単一変圧器の$O(epsilon-1)$のレートよりも大幅に向上することが証明された。
  論文  参考訳（メタデータ） (2025-10-30T21:07:36Z)
• Closing the Curvature Gap: Full Transformer Hessians and Their Implications for Scaling Laws [0.5774786149181391]
  ヘッセン理論をフルトランスフォーマーアーキテクチャに拡張する。 本研究は,大規模深層学習における最適化の理論的および実証的研究の新たな基盤を確立する。
  論文  参考訳（メタデータ） (2025-10-19T16:54:00Z)
• Discovering Hidden Algebraic Structures via Transformers with Rank-Aware Beam GRPO [0.7885422274206872]
  我々は,問題複雑性のきめ細かい制御が可能な合成データ生成パイプラインを開発した。 第二に、教師付き学習を通してトランスフォーマーモデルを訓練し、スケーリング行動と一般化可能性を含む4つの重要な次元にわたって評価する。 第3に,厳密な代数問題に適したランク対応強化学習法であるビーム群相対ポリシー(BGRPO)を提案する。
  論文  参考訳（メタデータ） (2025-08-21T17:58:50Z)
• DiffuMeta: Algebraic Language Models for Inverse Design of Metamaterials via Diffusion Transformers [0.6531893282486697]
  本稿では,拡散変換器と新しい代数的表現を融合した生成フレームワークであるDiffuMetaについて述べる。 このコンパクトで統一されたパラメータ化は様々なトポロジにまたがり、トランスフォーマーを構造設計に直接適用することができる。 本手法は, 学習領域を超えた線形および非線形応答を含む, 複数の機械的目的に対する同時制御を実現する。
  論文  参考訳（メタデータ） (2025-07-21T16:09:26Z)
• Beyond Scaling Laws: Understanding Transformer Performance with Associative Memory [11.3128832831327]
  Transformerのサイズが大きくなると、パフォーマンスが向上するとは限らない。 本稿では,変圧器を用いた言語モデルの事前学習において,記憶に光を当てる理論的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-14T15:48:36Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Lorentz Group Equivariant Neural Network for Particle Physics [58.56031187968692]
  ローレンツ群の下での変換に関して完全に同値なニューラルネットワークアーキテクチャを提案する。 素粒子物理学における分類問題に対して、そのような同変構造は、比較的学習可能なパラメータの少ない非常に単純なモデルをもたらすことを実証する。
  論文  参考訳（メタデータ） (2020-06-08T17:54:43Z)

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。