Fugu-MT 論文翻訳(概要): Learning to Trace Seiberg Dualities

論文の概要: Learning to Trace Seiberg Dualities

arxiv url: http://arxiv.org/abs/2607.28628v1
Date: Thu, 30 Jul 2026 17:59:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-31 21:37:00.72018
Title: Learning to Trace Seiberg Dualities
Title（参考訳）: Seibergの重複をトレースする学習
Abstract要約: 超対称量子ゲージ理論のセイベルグ双対性問題に対処するために、機械学習手法を用いる。一方、これは異なる双対性の計算複雑性を確立するための実践的なツールに繋がる。最小数のクイバーノードを持つクイバーでは、異なるネットワークアーキテクチャが決定論的アルゴリズムを上回る傾向にある。
参考スコア（独自算出の注目度）: 39.146761527401424
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Dualities play an important role in establishing both microscopic and emergent phenomena in a wide range of physical systems. In practice, though, it can often be computationally challenging to establish when two systems are dual, even when all of the "rules of the game" are well-known. Said differently, when confronted with two systems, how can one efficiently establish that they are in fact dual? In this paper we use machine learning methods to address this question for Seiberg dualities of supersymmetric quiver gauge theories. Mathematically, this involves establishing mutations of quivers, which is in turn a variation on the theme of "learning to unknot". On the one hand, this leads us to a practical tool for establishing the computational complexity of different dualities. On the other hand, it also allows us to study how different network architectures learn how to trace Seiberg dualities. We find that for quivers with a modest number of quiver nodes (of order $10$), different network architectures consisting of transformers and multi-layer perceptrons tend to outperform deterministic algorithms. Supplementing the network by well-established pathfinder algorithms (essentially "Google Maps for quivers") leads to an additional improvement in the efficiency and accuracy of the search strategy. We anticipate that this class of questions can serve as a useful benchmark for frontier AI models applied to theoretical physics.
Abstract（参考訳）: 二重性は、広範囲の物理的システムにおいて、顕微鏡的現象と創発的現象の両方を確立する上で重要な役割を果たしている。しかし実際には、「ゲームのルール」がよく知られた場合でも、2つのシステムが双対であるかどうかを計算的に確認することはしばしば困難である。別の言い方をすれば、2つのシステムに直面した場合、実際には2つのシステムであることを効率的に確立するにはどうすればよいのか? 本稿では,超対称性量子ゲージ理論のセイベルグ双対性に対して,機械学習を用いてこの問題に対処する。数学的には、これはクイバーの突然変異を確立することを含み、これは「カンノットへの学習」というテーマの変種である。一方、これは異なる双対性の計算複雑性を確立するための実践的なツールに繋がる。一方、異なるネットワークアーキテクチャが、Seibergの双対性をいかにトレースするかを学ぶことができる。クイバーノード数が少ないクイバーでは、トランスフォーマーと多層パーセプトロンからなる異なるネットワークアーキテクチャが決定論的アルゴリズムより優れていることが判明した。確立されたパスファインダーアルゴリズム(本質的にはクイバー用Googleマップ)によるネットワークの補充により、検索戦略の効率性と精度が向上する。我々は,このタイプの質問が,理論物理学に適用されたフロンティアAIモデルの有用なベンチマークとなることを期待している。

関連論文リスト

2D Quon Language: Unifying Framework for Cliffords, Matchgates, and Beyond [4.886638121226719]
我々はクリフォードとマッチゲートの統一的な理解に向けて前進する。ここでは,マヨラナ世界線とそれに基づく時空トポロジーを組み合わせた2Dクオン言語を紹介する。我々は、クラマース・ワニエ双対性のようなよく知られた結果の回復から、我々のアプローチの幅広い応用について論じる。
論文参考訳（メタデータ） (2025-05-09T18:00:00Z)
Learning to Solve Geometry Problems via Simulating Human Dual-Reasoning Process [84.49427910920008]
近年,幾何学的問題解決 (GPS) が注目されている。解法は、テキストとダイアグラムの両方を包括的に理解し、重要な幾何学的知識を習得し、推論に適切に適用する必要がある。既存の研究は、ニューラルネットワーク翻訳のパラダイムに従っており、人間の幾何学的推論の本質的な特徴を無視したエンコーダの能力の向上にのみ焦点をあてている。
論文参考訳（メタデータ） (2024-05-10T03:53:49Z)
An example of use of Variational Methods in Quantum Machine Learning [0.0]
本稿では,平面上の特定の幾何学的パターンの点を二項分類する量子ニューラルネットワークを提案する。その意図は、ポイントを正しく認識し分類できる最小限のトレーニング可能なパラメータを持つ量子ディープニューラルネットワークを作ることであった。
論文参考訳（メタデータ） (2022-08-07T03:52:42Z)
Unified Field Theory for Deep and Recurrent Neural Networks [56.735884560668985]
本稿では,再帰的ネットワークと深層ネットワークの両方に対する平均場理論の統一的,体系的な導出について述べる。平均場理論への収束は、ディープネットワークよりもリカレントネットワークの方が典型的に遅い。提案手法はガウス過程が1/n$の体系的展開の最下位次数であることを示す。
論文参考訳（メタデータ） (2021-12-10T15:06:11Z)
Decoupled and Memory-Reinforced Networks: Towards Effective Feature Learning for One-Step Person Search [65.51181219410763]
歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。現在のワンステップアプローチには2つの大きな課題があります。本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
論文参考訳（メタデータ） (2021-02-22T06:19:45Z)
Gradient-based Competitive Learning: Theory [1.6752712949948443]
本稿では,勾配に基づく学習と競争的な学習を組み合わせることで,この分野の新たな視点を紹介する。この理論は、ニューラルネットワークが入力行列の変換を直接研究することで、トポロジカル構造を学習できるという直感に基づいている。提案手法は、トポロジカル学習タスクの広範な選択に一般化できるため、大きな可能性を秘めている。
論文参考訳（メタデータ） (2020-09-06T19:00:51Z)
Suppress and Balance: A Simple Gated Network for Salient Object Detection [89.88222217065858]
両問題を同時に解くための単純なゲートネットワーク(GateNet)を提案する。多レベルゲートユニットの助けを借りて、エンコーダからの貴重なコンテキスト情報をデコーダに最適に送信することができる。さらに,提案したFold-ASPP操作(Fold-ASPP)に基づくアトラス空間ピラミッドプーリングを用いて,様々なスケールのサリアンオブジェクトを正確に位置決めする。
論文参考訳（メタデータ） (2020-07-16T02:00:53Z)
Dual Learning: Theoretical Study and an Algorithmic Extension [168.0485041314289]
本稿では,新たな領域からのフィードバック信号を活用してマッピングの質を向上させる多段階二重学習を提案する。マルチステップのデュアルラーニングは、穏やかな条件下での標準的なデュアルラーニングの性能を向上させることができることを示す。
論文参考訳（メタデータ） (2020-05-17T12:14:35Z)
SpatialSim: Recognizing Spatial Configurations of Objects with Graph Neural Networks [31.695447265278126]
本稿では,外部オブザーバの視点に不変な幾何学的空間構成のクラスを学習し,比較する方法を示す。本稿では,新しい幾何学的推論ベンチマークであるSpatialSim(Spatial similarity)を提案する。次に,完全接続型メッセージパスグラフニューラルネットワーク(MPGNN)が示す帰納的リレーショナルバイアスが,これらの課題の解決にどのように役立つかを検討する。
論文参考訳（メタデータ） (2020-04-09T14:13:20Z)
Connecting Dualities and Machine Learning [0.0]
二重性は量子場理論や弦理論において、高い精度で相関関数を得るために広く用いられている。ここでは、二値データ表現が教師付き分類、機械学習と理論物理学の典型的なタスクのリンクに有用である例を示す。特徴分離, 所望の表現に対する特徴マッチング, 単純な相関関数の優れた性能により, 未知の2つの表現を導出できることがわかった。
論文参考訳（メタデータ） (2020-02-12T19:00:02Z)

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。