Fugu-MT 論文翻訳(概要): On the origin of finite entanglement scaling

論文の概要: On the origin of finite entanglement scaling

arxiv url: http://arxiv.org/abs/2607.15124v1
Date: Thu, 16 Jul 2026 15:33:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-17 17:01:33.159292
Title: On the origin of finite entanglement scaling
Title（参考訳）: 有限絡み合いのスケーリングの起源について
Abstract要約: 2次元テンソルネットワークの前方および後方微分を計算するための疎線形解法を開発した。このアルゴリズムは、投影された絡み合ったペア状態の変動最適化のためのプリミティブを提供するため、独立した関心を持つ。
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: The concept of finite entanglement scaling forms one of the pillars on which the tensor network ecosystem is built. In this paper, we resolve the open problem of determining the actual perturbations induced by matrix product state approximations of critical systems, and we demonstrate that these can be quite different than the ones predicted by conformal field theory. To that aim, we develop a sparse linear solver to calculate the forward and backward derivatives of 2-dimensional tensor networks with respect to their defining parameters in an implicit way. This algorithm is of independent interest as it provides a primitive for the variational optimization of projected entangled pair states that circumvents the instabilities plaguing traditional automatic differentiation methods.
Abstract（参考訳）: 有限絡み合いスケーリングの概念は、テンソルネットワークエコシステムが構築される柱の1つを形成する。本稿では、臨界系の行列積状態近似によって引き起こされる実際の摂動を決定するというオープンな問題を解決し、共形場理論によって予測されるものとはかなり異なることを実証する。そこで我々は,2次元テンソルネットワークの前方および後方微分を,その定義パラメータに対して暗黙的に計算する疎線形解法を開発した。このアルゴリズムは、従来の自動微分法の不安定性を回避した射影絡み合ったペア状態の変動最適化のプリミティブを提供するため、独立した関心を持つ。

関連論文リスト

Quantifying Uncertainty In Wide Two-Layer Neural Networks: On The Law Of The Limiting Fluctuation Process [3.0171175820634826]
ニューラルネットワーク予測における不確かさの定量化は、通常のアプリケーションでは大きな問題である。提案手法では,PDEの分散情報を用いて不確実性を直接評価することにより,コスト削減を図る。そこで我々は,勾配降下法により訓練された広帯域2層ニューラルネットワークの平均場限界付近のランダムなゆらぎを記述する制限過程の法則について検討した。
論文参考訳（メタデータ） (2026-06-04T10:25:23Z)
Self-Supervised Coarsening of Unstructured Grid with Automatic Differentiation [55.88862563823878]
本研究では,微分可能物理の概念に基づいて,非構造格子を階層化するアルゴリズムを提案する。多孔質媒質中のわずかに圧縮可能な流体流を制御した線形方程式と波動方程式の2つのPDE上でのアルゴリズムの性能を示す。その結果,検討したシナリオでは,関心点におけるモデル変数のダイナミクスを保ちながら,格子点数を最大10倍に削減した。
論文参考訳（メタデータ） (2025-07-24T11:02:13Z)
Generalized Linear Mode Connectivity for Transformers [87.32299363530996]
驚くべき現象はリニアモード接続(LMC)であり、独立に訓練されたモデルを低損失またはゼロ損失の経路で接続することができる。以前の研究は主に置換によるニューロンの並べ替えに焦点を合わせてきたが、そのようなアプローチは範囲に限られている。我々は、4つの対称性クラス(置換、半置換、変換、一般可逆写像)をキャプチャする統一的なフレームワークを導入する。この一般化により、独立に訓練された視覚変換器とGPT-2モデルの間の低障壁とゼロバリア線形経路の発見が可能となった。
論文参考訳（メタデータ） (2025-06-28T01:46:36Z)
Universal Sequence Preconditioning [15.021303911702121]
逐次予測におけるプレコンディショニングの問題について検討する。対象シーケンスを畳むと、隠れた遷移行列のレンズを適用することが示される。我々は,この手法が予測アルゴリズムの後悔を軽減することを証明した。
論文参考訳（メタデータ） (2025-02-10T15:10:06Z)
A primal-dual perspective for distributed TD-learning [6.663174194579773]
本研究の目的は,ネットワーク型マルチエージェントマルコフ決定プロセスにおける分散時間差(TD)学習について検討することである。提案手法は分散最適化アルゴリズムに基づいており、これはヌル空間制約を受ける原始双対常微分方程式(ODE)の力学として解釈できる。
論文参考訳（メタデータ） (2023-10-01T10:38:46Z)
Variational Laplace Autoencoders [53.08170674326728]
変分オートエンコーダは、遅延変数の後部を近似するために、償却推論モデルを用いる。完全分解ガウス仮定の限定的後部表現性に対処する新しい手法を提案する。また、深部生成モデルのトレーニングのための変分ラプラスオートエンコーダ(VLAE)という一般的なフレームワークも提示する。
論文参考訳（メタデータ） (2022-11-30T18:59:27Z)
A Variational Inference Approach to Inverse Problems with Gamma Hyperpriors [60.489902135153415]
本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
論文参考訳（メタデータ） (2021-11-26T06:33:29Z)
Galerkin Neural Networks: A Framework for Approximating Variational Equations with Error Control [0.0]
本稿では,ニューラルネットワークを用いて変分方程式の解を近似する手法を提案する。基本関数がニューラルネットワークの列の実現である有限次元部分空間の列を用いる。
論文参考訳（メタデータ） (2021-05-28T20:25:40Z)
Error Bounds of the Invariant Statistics in Machine Learning of Ergodic It\^o Diffusions [8.627408356707525]
エルゴード的伊藤拡散の機械学習の理論的基盤について検討する。ドリフト係数と拡散係数の学習における誤差に対する1点および2点不変統計量の誤差の線形依存性を導出する。
論文参考訳（メタデータ） (2021-05-21T02:55:59Z)
Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。新規な構造化融合正規化に基づく一般グラフ推定器を提案する。提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文参考訳（メタデータ） (2021-03-05T04:42:32Z)
Eigendecomposition-Free Training of Deep Networks for Linear Least-Square Problems [107.3868459697569]
我々は、ディープネットワークのトレーニングに固有分解のないアプローチを導入する。この手法は固有分解の明示的な微分よりもはるかに堅牢であることを示す。我々の手法は収束特性が良く、最先端の結果が得られます。
論文参考訳（メタデータ） (2020-04-15T04:29:34Z)

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。