論文の概要: Quantifying and Probing Multipartite Entanglement via Minimum Entanglement Drop

• arxiv url: http://arxiv.org/abs/2606.21950v1
• Date: Sat, 20 Jun 2026 08:38:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 23:41:34.25113
• Title: Quantifying and Probing Multipartite Entanglement via Minimum Entanglement Drop
• Title（参考訳）: ミニマルエンタングルメント・ドロップによるマルチパート・エンタングルメントの定量化と探索
• Authors: Dong-Dong Dong, Xue-Ke Song, Liu Ye, Dong Wang,
• Abstract要約: 最小エンタングルメント・ドロップで定義されるマルチパート・アンタングルメント・モノトンを提案する。 我々は、局所的な操作と古典的なコミュニケーションの下で、それが有効なモノトーンであることを厳格に証明する。 環境騒音下でのn-qubit W状態の正確な解析解を導出する。
• 参考スコア（独自算出の注目度）: 2.9273378452263876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantifying genuine multipartite entanglement remains a significant challenge. We propose a multipartite entanglement monotone defined by the minimum entanglement drop -- the reduction in global one-to-group entanglement upon tracing out a single particle. We formulate a computationally efficient variant using tangle and negativity to ensure non-vanishing values for W-class states, and rigorously prove it is a valid monotone under local operations and classical communication. In the tripartite regime, the minimum tangle drop is physically equivalent to the minimum pairwise concurrence. We establish an operational framework where the entanglement drop acts as a structural probe: by assessing sensitivity to qubit loss, it identifies inseparable clusters, extracting connectivity fingerprints that uniquely differentiate graph topologies within the same local Clifford equivalence class. Integrating this mapping with classical shadows enables efficient experimental estimation and dynamic tracking of entanglement network evolution. We derive exact analytical solutions for n-qubit W states under environmental noise, revealing robust scaling behaviors. Finally, we acknowledge limitations, noting that diagnostic sensitivity strictly vanishes for highly robust states such as the 5-qubit error-correcting code.
• Abstract（参考訳）: 真のマルチパーティの絡み合いの定量化は依然として大きな課題である。 単一粒子をトレースする際の大域的一対一の絡み合いの低減を最小の絡み合い滴で定義した多部絡み合いモノトンを提案する。 タングルと負性率を用いて計算効率の良い変種を定式化し、W級状態の非消滅値を保証するとともに、局所的な操作や古典的な通信において有効な単調であることを厳密に証明する。 三部構造では、最小の三角形の滴は最小の対の収束と物理的に等価である。 我々は、絡み合い滴が構造的プローブとして機能する運用フレームワークを確立し、キュービット損失に対する感度を評価することにより、分離不能なクラスタを識別し、同じ局所クリフォード同値クラス内のグラフトポロジをユニークに区別する接続指紋を抽出する。 このマッピングを古典的な影と統合することで、絡み合いネットワークの進化の効率的な実験的推定と動的追跡が可能になる。 環境騒音下でのn-qubit W状態の正確な解析解を導出し、ロバストなスケーリング挙動を明らかにする。 最後に、診断感度が5ビット誤り訂正符号のような高度に堅牢な状態に対して厳密に消えることに注意して、制限を認めます。

関連論文リスト

• Neural Networks as Local-to-Global Computations [0.0]
  エッジ上の制約マップとして各計算ステップを符号化することにより,任意のReLUニューラルネットワークからシーフを構築する。 フォワードパスとは異なり、熱方程式は層間で情報を双方向に伝播し、両方の方向に制約を課すピン付きニューロンを可能にする。 我々は, この枠組みを小さな合成問題に対して実験的に検証し, 収束定理を検証し, せん断に基づくトレーニングがまだ勾配降下と競合していないものの, 理論によって予測される定量的なスケーリング法則に従うことを示した。
  論文  参考訳（メタデータ） (2026-03-16T05:23:31Z)
• MOSAIC: Minimax-Optimal Sparsity-Adaptive Inference for Change Points in Dynamic Networks [11.200971045515763]
  動的ネットワークにおける変化点検出のための新しい推論フレームワークMOSAICを提案する。 我々は,変化の空間性に依存する検出境界の最小値を確立する。 我々は,小対数損失のみを伴って,理論上のミニマックス速度にアプローチするスクリーニング信号を用いた固有分解に基づくテストを開発する。
  論文  参考訳（メタデータ） (2025-09-08T03:09:50Z)
• QGait: Toward Accurate Quantization for Gait Recognition with Binarized Input [17.017127559393398]
  バックプロパゲーション時の円関数の勾配をよりよくシミュレートする,微分可能なソフト量子化器を提案する。 これにより、ネットワークは微妙な入力摂動から学習することができる。 量子化エラーをシミュレートしながら収束を確保するためのトレーニング戦略をさらに洗練する。
  論文  参考訳（メタデータ） (2024-05-22T17:34:18Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)
• Instance-optimality in optimal value estimation: Adaptivity via variance-reduced Q-learning [99.34907092347733]
  本稿では,マルコフ決定過程における最適な$Q$値関数を離散状態と動作で推定する問題を解析する。 局所的なミニマックスフレームワークを用いて、この関数は任意の推定手順の精度の低い境界に現れることを示す。 他方,Q$ラーニングの分散還元版を解析することにより,状態と行動空間の対数的要因まで,下位境界のシャープさを確立する。
  論文  参考訳（メタデータ） (2021-06-28T00:38:54Z)
• Neural Control Variates [71.42768823631918]
  ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。 理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。 具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
  論文  参考訳（メタデータ） (2020-06-02T11:17:55Z)
• Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
  そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。 入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
  論文  参考訳（メタデータ） (2020-03-26T22:10:04Z)

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。