論文の概要: Entangling power of neural networks

• arxiv url: http://arxiv.org/abs/2608.05293v1
• Date: Wed, 05 Aug 2026 18:00:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.770683
• Title: Entangling power of neural networks
• Title（参考訳）: ニューラルネットワークのエンタングルパワー
• Abstract要約: 本稿では,サブシステム間の絡み合いを発生させるエンコーダデコーダニューラルネットワークの絡み合い能力について述べる。 我々の研究は、絡み合い理論におけるシュミットランクの概念を一般化する機械学習における相関解析の枠組みを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Characterizing the complexity of correlations between subsystems is a fundamental task across information theory, machine learning, and science. In quantum physics, neural networks have found increasing application in learning wavefunctions. Here we introduce the entangling power of an encoder-decoder neural network, which quantifies its ability to generate entanglement between subsystems, dependent on a latent space dimension $K$ and the complexity class of the decoder. We exactly calculate this quantity for polynomial decoders of degree $p$ acting on a $K$-dimensional latent space. Our results establish the exponential entangling power of neural networks with modest resources. More broadly, our work provides a framework for analyzing correlations in machine learning that generalizes the notion of the Schmidt rank in entanglement theory.
• Abstract（参考訳）: サブシステム間の相関の複雑さを特徴づけることは、情報理論、機械学習、科学にまたがる基本的な課題である。 量子物理学において、ニューラルネットワークは、学習波動関数にますます応用されつつある。 本稿では,エンコーダ・デコーダニューラルネットワークのエンタングルパワーについて紹介する。これは,サブシステム間の絡み合いを生成する能力の定量化であり,遅延空間次元$K$とデコーダの複雑性クラスに依存する。 この量は、次数$p$の多項式デコーダが$K$次元ラテント空間に作用するときに正確に計算する。 この結果から,ニューラルネットワークの指数的エンタングリング能力の確立が期待できる。 より広範に、我々の研究は、絡み合い理論におけるシュミットランクの概念を一般化する機械学習の相関関係を分析するためのフレームワークを提供する。

関連論文リスト

• Machine Learning and Control: Foundations, Advances, and Perspectives [0.0]
  重畳制御性やアンサンブル制御性といった概念は、ディープニューラルネットワークの分類と表現特性に新たな洞察を与えることを示す。 また、動的ニューラルネットワークと静的ニューラルネットワークの関係についても検討する。 偏微分方程式の文脈で長い間確立されてきた拡散過程の古典的性質が、現代の生成人工知能の成功を説明するのにどのように貢献するかを述べる。
  論文  参考訳（メタデータ） (2025-09-30T10:47:26Z)
• Toward a Physics of Deep Learning and Brains [0.0]
  生体脳における神経細胞の雪崩を記述するために用いられる方程式は、深部神経ネットワークにおける活動のカスケードにも適用可能であることを示す。 この理論的枠組みは、普遍的な特徴が生物学的ニューラルネットワークと人工ニューラルネットワークの両方で共有されていることを示す。
  論文  参考訳（メタデータ） (2025-09-26T17:59:57Z)
• Reasoning Algorithmically in Graph Neural Networks [1.8130068086063336]
  ニューラルネットワークの適応学習能力にアルゴリズムの構造的および規則に基づく推論を統合することを目的としている。 この論文は、この領域の研究に理論的および実践的な貢献を提供する。
  論文  参考訳（メタデータ） (2024-02-21T12:16:51Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Fourier Circuits in Neural Networks and Transformers: A Case Study of Modular Arithmetic with Multiple Inputs [35.212818841550835]
  一層ニューラルネットワークと一層トランスフォーマーの研究を行った。 1つの隠れた層ニューラルネットワークは、データセット上で最大$L_2,k+1$-marginに達する。 同様の計算機構を1層変換器に注意して観察する。
  論文  参考訳（メタデータ） (2024-02-12T05:52:06Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Addressing caveats of neural persistence with deep graph persistence [54.424983583720675]
  神経の持続性に影響を与える主な要因は,ネットワークの重みのばらつきと大きな重みの空間集中である。 単一層ではなく,ニューラルネットワーク全体へのニューラルネットワークの持続性に基づくフィルタリングの拡張を提案する。 これにより、ネットワーク内の永続的なパスを暗黙的に取り込み、分散に関連する問題を緩和するディープグラフの永続性測定が得られます。
  論文  参考訳（メタデータ） (2023-07-20T13:34:11Z)
• Rank Diminishing in Deep Neural Networks [71.03777954670323]
  ニューラルネットワークのランクは、層をまたがる情報を測定する。 これは機械学習の幅広い領域にまたがる重要な構造条件の例である。 しかし、ニューラルネットワークでは、低ランク構造を生み出す固有のメカニズムはあいまいで不明瞭である。
  論文  参考訳（メタデータ） (2022-06-13T12:03:32Z)
• Optimal Approximation with Sparse Neural Networks and Applications [0.0]
  深い疎結合ニューラルネットワークを用いて、関数クラスの複雑性を$L(mathbb Rd)$で測定する。 また、ニューラルネットワークを誘導する関数の可算コレクションである表現システムについても紹介する。 次に、レート歪曲理論とウェッジレット構成を用いて、$beta$マンガ的関数と呼ばれるクラスの複雑性を分析する。
  論文  参考訳（メタデータ） (2021-08-14T05:14:13Z)
• The Separation Capacity of Random Neural Networks [78.25060223808936]
  標準ガウス重みと一様分布バイアスを持つ十分に大きな2層ReLUネットワークは、この問題を高い確率で解くことができることを示す。 我々は、相互複雑性という新しい概念の観点から、データの関連構造を定量化する。
  論文  参考訳（メタデータ） (2021-07-31T10:25:26Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)

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。