論文の概要: Deterministic Mapping of Topological Phases via Autoregressive Exogenous Neural Networks
- arxiv url: http://arxiv.org/abs/2605.27300v1
- Date: Tue, 26 May 2026 17:11:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:42.48544
- Title: Deterministic Mapping of Topological Phases via Autoregressive Exogenous Neural Networks
- Title（参考訳）: 自己回帰型外因性ニューラルネットによる位相位相の決定論的マッピング
- Authors: Graciana Puentes,
- Abstract要約: NAR、NARX、NIOという3つの動的ニューラルネットワーク(NN)アーキテクチャが評価されている。
NARXは予測精度に優れており,平均正方形誤差(MSE)は10～27ドルである。
NARXモデルの精度がより高い遅延で崩壊する「複雑パラドックス」を観測する。
- 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 report a comparative analysis of three dynamic neural network (NN) architectures -- NAR, NARX, and NIO -- to evaluate their efficiency in estimating the critical-measurement-strength parameter ($c_{crit}$) characterizing topological phase transitions in geometric phases induced by weak measurements. Our results demonstrate that the NARX architecture achieves superior predictive fidelity, reaching a Mean Squared Error (MSE) of $10^{-27}$ -- the limit of numerical precision -- at an optimal delay of $d=1$. This exceptional performance implies the identification of a perfect functional identity, suggesting that the relationship between winding numbers $W$ and $c_{crit}$ is mathematically deterministic. We observe a "complexity paradox" where the NARX model's accuracy collapses at higher delays ($d=4$), a phase-sensitivity that confirms the model captures a high-precision dynamic mapping rather than a trivial pattern. While the NAR model remains robust for local-trend capture, the NIO architecture fails to accurately resolve the phase transition despite increased neuronal capacity. These findings underscore that both autoregressive feedback and immediate exogenous context are essential for the exact characterization of topological phases, establishing NARX as a robust framework for deriving governing laws in complex quantum systems, where analytical solutions remain elusive.
- Abstract（参考訳）: NAR, NARX, NIOの3つの動的ニューラルネットワークアーキテクチャの比較解析を行い, 弱測定により誘導される幾何学的位相遷移を特徴づける臨界-測定-強度パラメータ(c_{crit}$)を推定する効率を評価する。
以上の結果から, NARXアーキテクチャは予測精度に優れ, 平均正方形誤差(MSE)が10^{-27}$(数値精度の限界)に達し, 最適遅延が$d=1$であることを示す。
この例外的な性能は、完全な汎函数恒等式を識別することを示し、巻く数 $W$ と $c_{crit}$ の関係が数学的に決定論的であることを示唆している。
NARXモデルの精度がより高い遅延(d=4$)で崩壊する「複雑パラドックス(complexity paradox)」を観察する。
NARモデルは局所的トレンド捕捉のために頑健であるが、NIOアーキテクチャは神経細胞の容量が増大しているにもかかわらず、相転移を正確に解決することができない。
これらの知見は、自己回帰的フィードバックと即時外生的文脈の両方が位相位相の正確な特徴付けに不可欠であることを示し、解析解が解明され続ける複雑な量子系における法則を導出するための堅牢な枠組みとして、NARXを確立した。
関連論文リスト
- From Arithmetic to Logic: The Resilience of Logic and Lookup-Based Neural Networks Under Parameter Bit-Flips [0.6868507883617846]
本研究では,ニューラルネットワークの構造特性としてのレジリエンスについて検討する。
その結果,低い精度,高い間隔,有界活性化,浅い深度が常に好まれていることが判明した。
論理ベースのアーキテクチャに特有の新しい偶数層リカバリ効果を同定する。
論文 参考訳（メタデータ） (2026-03-24T03:53:04Z) - DNA: Uncovering Universal Latent Forgery Knowledge [39.19379714306656]
フォージェリ検出機能は、すでにトレーニング済みのモデル内にエンコードされている。
DNAフレームワークは粗大な発掘機構を採用している。
Hifi-Genは、最新のモデルの上に構築された高忠実度合成ベンチマークである。
論文 参考訳（メタデータ） (2026-01-30T03:48:30Z) - On the Identifiability of Regime-Switching Models with Multi-Lag Dependencies [42.274922469778545]
マルチラグレジームスイッチングモデル(RSM)の一般的な理論的枠組みを開発する。
非線形ガウス条件下では,レギュラー数とマルチラグ遷移の双方の識別可能性を示す。
我々の結果は、アーキテクチャとノイズの仮定を通して完全に教師なしの設定を保ちます。
論文 参考訳（メタデータ） (2026-01-06T15:12:39Z) - Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。
複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。
変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文 参考訳（メタデータ） (2024-12-05T09:41:33Z) - A Mean-Field Analysis of Neural Stochastic Gradient Descent-Ascent for Functional Minimax Optimization [90.87444114491116]
本稿では,超パラメトリック化された2層ニューラルネットワークの無限次元関数クラス上で定義される最小最適化問題について検討する。
i) 勾配降下指数アルゴリズムの収束と, (ii) ニューラルネットワークの表現学習に対処する。
その結果、ニューラルネットワークによって誘導される特徴表現は、ワッサーシュタイン距離で測定された$O(alpha-1)$で初期表現から逸脱することが許された。
論文 参考訳（メタデータ） (2024-04-18T16:46:08Z) - Convergence of Gradient Descent for Recurrent Neural Networks: A Nonasymptotic Analysis [16.893624100273108]
教師付き学習環境において,勾配降下を訓練した斜め隠れ重み行列を用いた繰り返しニューラルネットワークの解析を行った。
我々は,パラメータ化を伴わずに勾配降下が最適性を実現することを証明した。
この結果は、繰り返しニューラルネットワークによって近似および学習できる力学系のクラスを明示的に評価することに基づいている。
論文 参考訳（メタデータ） (2024-02-19T15:56:43Z) - Consistency Models for Scalable and Fast Simulation-Based Inference [9.27488642055461]
シミュレーションベース推論(SBI)のための新しい条件付きサンプルであるCMPEの整合性モデルを提案する。
CMPEは基本的に連続した確率フローを蒸留し、制約のないアーキテクチャで高速な数発の推論を可能にする。
実験により,CMPEは高次元のベンチマークで最先端のアルゴリズムより優れるだけでなく,より高速なサンプリング速度で競合性能を達成できることを示した。
論文 参考訳（メタデータ） (2023-12-09T02:14:12Z) - Edge of stability echo state networks [5.888495030452654]
Echo State Networks (ESN) は、Echo State Property (ESP) の原則の下で動作する時系列処理モデルである。
We introduced a new ESN architecture, the Edge of stability Echo State Network (ES$2$N)
論文 参考訳（メタデータ） (2023-08-05T15:49:25Z)
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。