Fugu-MT 論文翻訳(概要): Log-depth entanglement transition in hypercube Gaussian boson sampling

論文の概要: Log-depth entanglement transition in hypercube Gaussian boson sampling

arxiv url: http://arxiv.org/abs/2609.12043v1
Date: Thu, 10 Sep 2026 18:00:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-15 07:38:31.497338
Title: Log-depth entanglement transition in hypercube Gaussian boson sampling
Title（参考訳）: ハイパーキューブガウスボソンサンプリングにおける対数深さの絡み合い遷移
Abstract要約: ランダムハイパーキューブ線形光ネットワークにおける対数深さの絡み合い遷移について検討する。我々は、$n$モード上のランダムなハイパーキューブ線形光学ネットワークが、回路深さの全てのサブシステムにおいて、その最大値の定数係数内で、アンサンブル平均サブシステムの絡み合いを生成することを証明した。
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: We study an entanglement transition at logarithmic depth in random hypercube linear optical networks. Starting from an initial Gaussian state with all modes squeezed, we prove that random hypercube linear optical networks on $n$ modes generate ensemble-averaged subsystem entanglement within a constant factor of its maximum in all subsystems at circuit depth $Θ(\log n)$. Below depth $\log_2n$, there is an extensive subsystem with no entanglement. The entanglement generation in logarithmic depth can be compared to recent progress towards $O(\log n)$ depth average-case sampling hardness for Gaussian boson sampling in a hypercube network.
Abstract（参考訳）: ランダムハイパーキューブ線形光ネットワークにおける対数深さの絡み合い遷移について検討する。すべてのモードを圧縮した初期ガウス状態から始めて、$n$モード上のランダムなハイパーキューブ線形光学ネットワークは、回路深さ$(\log n)$の全てのサブシステムにおいて、その最大値の定数係数内で、アンサンブル平均サブシステム絡み合を生成することを証明した。下記の深さ$\log_2n$は、絡み合いのない広範なサブシステムである。対数深さにおける絡み合いの発生は、超キューブネットワークにおけるガウスボソンサンプリングのための$O(\log n)$ depth平均ケースサンプリング硬度への最近の進歩と比較することができる。

関連論文リスト

Intrinsic Wasserstein Rates for Score-Based Generative Models on Smooth Manifolds [61.14405512940818]
Scoreベースの生成モデルは高次元空間で訓練されていることを示す。有限固有アンカーとガウス・ニュートンによる最も近い射影座標のReLU実装を用いる。
論文参考訳（メタデータ） (2026-05-15T10:20:05Z)
Entanglement and circuit complexity in finite-depth random linear optical networks [3.387906561638234]
回路深さの関数としてランダムな受動線形光ネットワークにおける絡み合いと回路複雑性の増大について検討する。ランダムなレンガウォール回路の場合、レニイ2エントロピーによって測定された絡み合いは、深さの関数として最も拡散的に成長する。
論文参考訳（メタデータ） (2026-04-15T18:00:00Z)
Neural Networks Learn Generic Multi-Index Models Near Information-Theoretic Limit [66.20349460098275]
一般ガウス多次元モデル $f(boldsymbolx)=g(boldsymbolUboldsymbolx)$ の勾配降下学習を隠蔽部分空間 $boldsymbolUin mathbbRrtimes d$ で研究する。リンク関数上の一般的な非退化仮定の下では、層次勾配勾配勾配によって訓練された標準的な2層ニューラルネットワークは、$o_d(1)$テスト誤差でターゲットを不可知的に学習できることを示す。
論文参考訳（メタデータ） (2025-11-19T04:46:47Z)
Measurement-induced entanglement in noisy 2D random Clifford circuits [1.915364393561725]
ノイズ2次元ランダムクリフォード回路のカラム・バイ・カラムサンプリングにより生じる測定誘起絡みについて検討した。一定の局所雑音は、長距離、体積法測定による絡み合いを損なうことが判明した。テンソルネットワークに基づくアルゴリズムは雑音の多い2次元ランダムクリフォード回路から効率的にサンプリングできると推測する。
論文参考訳（メタデータ） (2025-10-14T17:21:55Z)
Poisson Midpoint Method for Log Concave Sampling: Beyond the Strong Error Lower Bounds [7.350138378074856]
過度に損傷/破壊されたランゲヴィン力学の中間点離散化を用いた$mathbbRd$上の強対数分布からのサンプリング問題について検討する。 2-ワッサーシュタイン距離(W$)における収束性を証明し、オイラー・丸山離散化に対する目標精度(epsilon$)に依存して立方体スピードアップを達成する。特に、アンダーダムングランゲヴィン力学の場合、$W$収束の複雑さは$L2$の収束の複雑さの下限よりもはるかに小さいことを示す。
論文参考訳（メタデータ） (2025-06-09T10:27:15Z)
The Generative Leap: Sharp Sample Complexity for Efficiently Learning Gaussian Multi-Index Models [71.5283441529015]
この研究において、ラベルは(ガウス)$d$-次元入力にのみ依存し、低次元$r = O_d(1)$部分空間への射影を通して得られる。生成的跳躍指数 $kstar$, [Damian et al.'24] から生成的指数の自然拡張をマルチインデックス設定に導入する。
論文参考訳（メタデータ） (2025-06-05T18:34:56Z)
Parallel Simulation for Log-concave Sampling and Score-based Diffusion Models [55.07411490538404]
本稿では,次元$d$の適応的複雑性依存性を改善する並列サンプリング手法を提案する。我々の手法は科学計算による並列シミュレーション技術に基づいている。
論文参考訳（メタデータ） (2024-12-10T11:50:46Z)
Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
論文参考訳（メタデータ） (2024-04-29T15:04:07Z)
Closed-form Filtering for Non-linear Systems [83.91296397912218]
我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
論文参考訳（メタデータ） (2024-02-15T08:51:49Z)
Wide Neural Networks as Gaussian Processes: Lessons from Deep Equilibrium Models [16.07760622196666]
本研究では,層間における共有重み行列を持つ無限深度ニューラルネットワークであるDeep equilibrium Model (DEQ)について検討する。解析により,DEC層の幅が無限大に近づくにつれ,ガウス過程に収束することが明らかとなった。注目すべきは、この収束は深さと幅の限界が交換されても成り立つことである。
論文参考訳（メタデータ） (2023-10-16T19:00:43Z)
Towards Sample-Optimal Compressive Phase Retrieval with Sparse and Generative Priors [59.33977545294148]
O(k log L)$サンプルは振幅に基づく経験損失関数を最小化する任意のベクトルに信号が近いことを保証するのに十分であることを示す。この結果はスパース位相検索に適応し、基底信号が$s$-sparseおよび$n$-dimensionalである場合、$O(s log n)$サンプルは同様の保証に十分であることを示す。
論文参考訳（メタデータ） (2021-06-29T12:49:54Z)
Large-width functional asymptotics for deep Gaussian neural networks [2.7561479348365734]
重みとバイアスが独立であり、ガウス分布に従って同一に分布する完全連結フィードフォワード深層ニューラルネットワークを考える。この結果は、無限に広い深層ニューラルネットワークとプロセス間の相互作用に関する最近の理論的研究に寄与する。
論文参考訳（メタデータ） (2021-02-20T10:14:37Z)

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。