論文の概要: Irreducible Architectures of Multipartite Entanglement
- arxiv url: http://arxiv.org/abs/2607.23112v1
- Date: Sat, 25 Jul 2026 08:52:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:14.993933
- Title: Irreducible Architectures of Multipartite Entanglement
- Title（参考訳）: マルチパーティ・エンタングルメントの既約アーキテクチャ
- Abstract要約: 純状態分解に現れる絡み合い構造に重みを割り当てる構成プロファイルを導入する。
我々は、量子フィッシャー情報を含む凸証人から、これらの重みに実験的にアクセス可能な境界を導出する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Multipartite entanglement is commonly characterized by scalar notions such as separability and entanglement depth, which do not resolve the distribution of entangled cluster sizes. For mixed states, we introduce formation profiles that assign weights to the entanglement architectures appearing in pure-state decompositions. We show that after discarding every profile that admits a strictly weaker feasible replacement, the remaining irreducible structure need not be unique: a four-qubit example exhibits a continuous family of incomparable irreducible profiles. Monotone functions of the architectures recover widely used scalar quantifiers as special cases, whereas the full profile geometry retains additional information, including the minimum weight that every decomposition must assign outside a chosen architectural class. Finally, we derive experimentally accessible bounds on these weights from convex witnesses, including the quantum Fisher information, thereby connecting detailed formation structure with practical entanglement certification.
- Abstract（参考訳）: マルチパートの絡み合いは、分離性や絡み合い深さといったスカラーの概念によって特徴づけられる。
混合状態に対しては、純状態分解に現れる絡み合い構造に重みを割り当てる構成プロファイルを導入する。
厳密に弱い実現可能な置換を許容する全てのプロファイルを破棄した後、残りの既約構造は一意である必要はない: 4量子ビットの例は、既約の既約プロファイルの連続的な族を示す。
アーキテクチャのモノトーン関数は特殊ケースとして広く使われているスカラー量化器を復元するが、フルプロファイル幾何は、全ての分解が選択されたアーキテクチャクラスの外で割り当てなければならない最小限の重みを含む追加情報を保持する。
最後に、量子フィッシャー情報を含む凸証人から、これらの重みに関する実験的にアクセス可能な境界を導出し、より詳細な形成構造と実用的な絡み合い認証を接続する。
関連論文リスト
- SPORT: Structure-Aware Prototype Disentanglement for Incomplete Multi-View Clustering [51.01038967474103]
プロトタイプベースの不完全なマルチビュークラスタリングは、不足ビュー計算のためのセマンティックアンカーとしてプロトタイプを活用することで注目を集めている。
構造対応PrOtotype disentanglement foR incomplete multi-view clusTering (Sport) と呼ばれる新しいフレームワークを提案する。
SPORTは、クラスタレベルのリレーショナル構造を保持しながら、プロトタイプの共有コンポーネントとビュー固有のコンポーネントを明示的に分離する。
論文 参考訳（メタデータ） (2026-07-11T17:40:22Z) - Modular Diffusion Models for Structured Visual Recognition [52.38687800325397]
与えられた入力画像に対する構造化出力の分布を学習する,シンプルで斬新なフレームワークであるModular Diffusion Models (MDMs)を提案する。
MDMは拡散過程を異なるタスク固有のモジュールに分解し、それぞれが構造化情報空間の異なる側面を捉えることに重点を置いている。
このモジュール設計により、各コンポーネントは独立して学習でき、追加のトレーニングなしで推論時にシームレスに統合できる。
論文 参考訳（メタデータ） (2026-06-21T22:38:35Z) - Uncovering the Latent Potential of Deep Intermediate Representations [16.988545433223933]
タスク関連情報は,非単調に層に分散し,ナブアグリゲーションによって回復できないことを示す。
本稿では,タスク識別サブ空間を識別する構成的スペクトル法であるレイヤワイズ最適埋め込み選択(LOES)を紹介する。
提案手法は,意味的因子を層に分散させることで,言語間およびモーダル間の解釈可能性の分析を可能にする。
論文 参考訳（メタデータ） (2026-05-21T20:58:42Z) - Identifiable Multimodal Causal Representation Learning under Partial Latent Sharing [4.400865943835067]
因果表現学習は、観測データから有意義な潜伏変数とその対応する因果構造を明らかにする。
CRLにおける識別可能性を証明することは本質的に困難であり、この研究でさらに難しい設定であるマルチモーダリティに対処する。
我々は、潜在部分共有構造を持つマルチモーダル観測データを考察する。各モダリティは、因果潜在変数の特定の部分集合から、非線型混合関数を介して生成される。
さらに、我々の識別可能性の結果は、各モードについて、潜伏変数よりも多く観察されるような不完全なシナリオにも当てはまる。
論文 参考訳（メタデータ） (2026-05-18T21:34:29Z) - Architectural Unification for Polarimetric Imaging Across Multiple Degradations [54.83037963738918]
複数の劣化シナリオにまたがって構造的に共有される偏光イメージングのための統一的なアーキテクチャフレームワークを提案する。
このモデルは、単一ステージのジョイントイメージ・ストークス処理を実行し、エラーの蓄積を回避し、物理的一貫性を明示的に保持する。
論文 参考訳（メタデータ） (2026-03-06T02:38:57Z) - Random-Matrix-Induced Simplicity Bias in Over-parameterized Variational Quantum Circuits [72.0643009153473]
本稿では,観測可能な期待値とパラメータ勾配の両方がシステムサイズに指数関数的に集中するHaar型普遍性クラスに,表現的変分アンサーゼが入ることを示す。
その結果、そのような回路によって誘導される仮説クラスは、近点関数の狭い族に高い確率で崩壊する。
テンソル-ネットワークベースおよびテンソル-ハイパーネットワークパラメータ化を含むテンソル構造VQCは、ハール型普遍性クラスの外にある。
論文 参考訳（メタデータ） (2026-01-05T08:04:33Z) - Learning Eigenstructures of Unstructured Data Manifolds [47.81117132002129]
非構造化データから形状と多様体解析のスペクトル基底を学習する新しいフレームワークを提案する。
従来の演算子選択,構築,固有分解を学習に基づくアプローチで置き換えることによって,我々のフレームワークは従来のパイプラインに代わる,原則的,データ駆動的な代替手段を提供する。
論文 参考訳（メタデータ） (2025-11-30T22:06:49Z) - Differentiable Structure Learning and Causal Discovery for General Binary Data [22.58355875817396]
離散変数間の任意の依存関係をキャプチャ可能な、微分可能な構造学習フレームワークを提案する。
学習問題を最も一般的な形式で1つの微分可能な最適化タスクとして定式化する。
実験結果から,本手法は離散データの複雑な関係を効果的に捉えていることが示された。
論文 参考訳（メタデータ） (2025-09-25T22:26:55Z) - Architecture independent generalization bounds for overparametrized deep ReLU networks [0.9687141267566189]
過度パラメータ化ニューラルネットワークは、過度パラメータ化のレベルに依存しないテストエラーで一般化できることを示す。
入力空間次元で有界なトレーニングサンプルサイズを持つ過度にパラメータ化された深部ReLUネットワークに対して、勾配勾配を使わずにゼロ損失最小化器を明示的に構築する。
論文 参考訳（メタデータ） (2025-04-08T05:37:38Z) - Model-free Estimation of Latent Structure via Multiscale Nonparametric Maximum Likelihood [13.175343048302697]
そこで我々は,そのような潜在構造がいつでも存在すると仮定することなく,その存在を推定するためのモデルフリーな手法を提案する。
アプリケーションとして,提案手法に基づくクラスタリングアルゴリズムを設計し,広範囲の潜伏構造を捕捉する手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-10-29T17:11:33Z) - Non-standard entanglement structure of local unitary self-dual models as
a saturated situation of repeatability in general probabilistic theories [61.12008553173672]
量子合成系の無限構造の存在を示し、局所ユニタリ対称性を持つ自己双対であることを示す。
また、構造中の非直交状態が完全に区別可能であるような量子合成系の構造の存在を示す。
論文 参考訳（メタデータ） (2021-11-29T23:37:58Z)
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。