論文の概要: Twirled Perfect Tensor Networks: Computationally covariant holographic tensor networks

• arxiv url: http://arxiv.org/abs/2605.23670v1
• Date: Fri, 22 May 2026 14:18:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.386983
• Title: Twirled Perfect Tensor Networks: Computationally covariant holographic tensor networks
• Title（参考訳）: Twirled Perfect Tensor Networks:Computationally covariant holographic Tensor Networks
• Authors: Gurbir Arora, Matthew Headrick, Albion Lawrence, Martin Sasieta, Brian Swingle, Connor Wolfe,
• Abstract要約: 我々は Python の Lunch Conjecture (PLC) によって動機付けられたテンソルネットワークのクラスを定義する。 PLCは、関連するテンソルネットワークの微細構造について暗黙の仮定を行い、重力をモデル化し、それらが非ジェネリックであることを示す。 我々は、"twirled perfect tensor"と呼ばれるものから構築された別の種類のテンソルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 0.17592522344393483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We define a novel class of tensor networks motivated by the Python's Lunch Conjecture (PLC) in local tensor network models of the black hole interior. We start from the observation that, for extended black brane states with short-range correlations, the PLC predicts a complexity that is smaller than the upper bound for generic short-range correlated states. We argue that the PLC makes implicit assumptions about the fine structure of the relevant tensor networks modeling gravity that render them non-generic. We demonstrate this explicitly in random tensor network models of the python's lunch, where the exponential complexity is not generally controlled by the PLC exponent. We trace the difference with the PLC to a lack of "computational covariance" in random tensor networks: while the PLC is motivated by an ability to arbitrarily decompose space into low-complexity units provided certain basic rules are followed, we show that random tensor networks do not generically have this property. We propose another class of tensor networks built from what we call "twirled perfect tensors" that do satisfy the computational covariance property and have a complexity bounded by the PLC value. We still find a discrete limitation from local postselection that appears to be absent in gravity. Moreover, we show that this class of tensor networks combines desirable holographic features of perfect tensor networks and random tensor networks, for example, it obeys a lattice Ryu-Takayanagi formula for arbitrary boundary subregions. Though motivated by holography, these tensor networks provide a flexible framework with potential applications beyond quantum gravity.
• Abstract（参考訳）: ブラックホール内部の局所テンソルネットワークモデルにおいて, Python の Lunch Conjecture (PLC) によって動機付けられた新しいテンソルネットワークのクラスを定義する。 我々は、近距離相関を持つ拡張ブラックブレイン状態の場合、PLCは一般的な近距離相関状態の上限よりも小さい複雑さを予測できるという観察から始める。 我々は、PLCが関連するテンソルネットワークの微細構造について暗黙の仮定をし、重力をモデル化し、それらが非ジェネリックであることを論じる。 PLC指数によって指数的複雑性が制御されないような、パイソンランチのランダムテンソルネットワークモデルにおいて、これを明示的に示す。 乱テンソルネットワークにおける計算共分散(computational covariance)の欠如から PLC との差をたどると、ある基本規則が従えば空間を任意に低複雑単位に分解する能力によって PLC は動機づけられるが、ランダムテンソルネットワークはこの性質を一般に持っていないことを示す。 我々は、計算共分散特性を満足し、PLC値に束縛された複雑性を持つ「ツワール完全テンソル」と呼ばれるものから構築された別のテンソルネットワークのクラスを提案する。 局所的なポストセレクションから分離的な制限は、重力が欠如しているように見える。 さらに、このタイプのテンソルネットワークは、完全なテンソルネットワークとランダムテンソルネットワークの望ましいホログラフィック特徴を組み合わせることを示し、例えば、任意の境界部分領域に対する格子立高柳公式に従う。 ホログラフィーによって動機づけられたものの、これらのテンソルネットワークは量子重力を超えた潜在的な応用の柔軟な枠組みを提供する。

関連論文リスト

• Dense Neural Networks are not Universal Approximators [53.27010448621372]
  ニューラルネットワークは任意の連続関数の普遍性を持たないことを示す。 ReLUニューラルネットワークは、重みと入出力次元の自然な制約を受ける。
  論文  参考訳（メタデータ） (2026-02-07T16:52:38Z)
• Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations [48.46721044282335]
  テンソル分解ネットワーク(TDN)は、計算処理の劇的な高速化と競合する性能を実現する。 1億5500万のDFT計算スナップショットを含む分子緩和データセットPubChemQCRのTDNを評価した。 その結果,TDNは計算処理の劇的な高速化と競合する性能を示した。
  論文  参考訳（メタデータ） (2025-07-01T18:46:27Z)
• Fermionic tensor network methods [0.0]
  等級ヒルベルト空間を用いて、任意のグラフ上のテンソルネットワークにフェルミオン統計学を自然に組み込む方法を示す。 この形式は、ジョルダン・ウィグナー変換や2次元テンソルネットワークにおけるゲート交換による脚交差の明示的な追跡を回避し、フェルミオン格子系に対するテンソルネットワーク手法を局所的に使用することができる。
  論文  参考訳（メタデータ） (2024-04-22T22:22:05Z)
• TensorKrowch: Smooth integration of tensor networks in machine learning [46.0920431279359]
  PyTorch上に構築されたオープンソースのPythonライブラリであるKrowchを紹介します。 ユーザは任意のテンソルネットワークを構築してトレーニングし、より複雑なディープラーニングモデルにレイヤとして統合することができる。
  論文  参考訳（メタデータ） (2023-06-14T15:55:19Z)
• Machine learning with tree tensor networks, CP rank constraints, and tensor dropout [3.38220960870904]
  CPランク制約とテンソルドロップアウトを備えたツリーテンソルネットワーク(TTN)が機械学習においてどのように使用できるかを示す。 分岐比が$b=4$の低ランクTTN分類器は、低コストでテストセット精度90.3%に達する。 パラメータの数を減らし、より自由に調整し、オーバーフィッティングを制御し、計算特性を改善し、コストを削減できる。
  論文  参考訳（メタデータ） (2023-05-30T22:22:24Z)
• Tensor Network States with Low-Rank Tensors [6.385624548310884]
  テンソルネットワークを構成するテンソルに低ランク制約を課すという考え方を導入する。 この修正により、ネットワーク最適化の時間と複雑さを大幅に削減できる。 テンソル階数 $r$ を$m$ の順序で選ぶことは、高い精度の基底状態近似を得るのに十分である。
  論文  参考訳（メタデータ） (2022-05-30T17:58:16Z)
• Lower and Upper Bounds on the VC-Dimension of Tensor Network Models [8.997952791113232]
  ネットワーク法は凝縮物質物理学の進歩の重要な要素である。 これらは指数関数的に大きな特徴空間で線形モデルを効率的に学習するのに使うことができる。 本研究では,大きなテンソルネットワークモデルのVC次元と擬次元の上下境界を導出する。
  論文  参考訳（メタデータ） (2021-06-22T14:39:25Z)
• T-Basis: a Compact Representation for Neural Networks [89.86997385827055]
  テンソルの集合をコンパクトに表現するための概念である T-Basis をニューラルネットワークでよく見られる任意の形状で導入する。 ニューラルネットワーク圧縮の課題に対する提案手法の評価を行い, 許容性能低下時に高い圧縮速度に達することを示す。
  論文  参考訳（メタデータ） (2020-07-13T19:03:22Z)
• Approximation with Tensor Networks. Part I: Approximation Spaces [0.0]
  テンソルネットワーク(TN)による関数の近似について検討する。 一次元のルベーグ$Lp$-空間はテンソル化によって任意の順序のテンソル積空間と同一視できることを示す。 これらの近似クラスの函数はベソフの滑らかさを持たないことを示す。
  論文  参考訳（メタデータ） (2020-06-30T21:32:59Z)

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。