論文の概要: TetrisCNN for interpretable detection of phases of matter from experimental quantum simulator data
- arxiv url: http://arxiv.org/abs/2609.20693v1
- Date: Thu, 17 Sep 2026 16:58:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.390884
- Title: TetrisCNN for interpretable detection of phases of matter from experimental quantum simulator data
- Title（参考訳）: 実験量子シミュレーターデータから物質相の解釈可能な検出のためのテトリスCNN
- Abstract要約: TetrisCNNはスピンコレレータの観点で、スパースで解釈可能な潜在表現を直接学習する。
このフレームワークは、解釈可能なニューラルネットワークと量子シミュレータを統合することで、新しい段階の物質の発見と理解を可能にする。
- 参考スコア（独自算出の注目度）: 4.278843418046585
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting phases of matter in general relies on identifying the correct order parameter - a task that remains notoriously difficult for unknown transitions and traditionally is guided by physical intuition and educated guess. Neural networks have recently offered an alternative route by locating phase transitions in known models without any a priori physical knowledge. Yet these approaches remain black boxes and only identify phases without elucidating their properties. Moreover, they often struggle when confronted with realistic, noisy experimental data, which constitute the ultimate testbed for automated methods in physics. Here, we bridge these perspectives by introducing TetrisCNN, a convolutional architecture with parallel branches of differently shaped filters, reminiscent of Tetris blocks, that learns sparse, interpretable latent representations directly in terms of spin correlators. Applied to experimental snapshots of two-dimensional Ising and XY quantum simulators measured in multiple bases, the network not only detects phase transitions and crossovers but also expresses its latent representation and decision boundaries as symbolic formulas built from experimentally measurable spin correlators. This framework opens the way to integrating interpretable neural networks with quantum simulators to uncover and understand new phases of matter.
- Abstract（参考訳）: 一般に物質相の検出は、正しい順序パラメーターを特定することに依存している - 未知の遷移において非常に困難であり、伝統的に物理的直観と教育的な推測によって導かれるタスクである。
ニューラルネットワークは、最近、既知の物理知識のない既知のモデルで相転移を探索することで、代替の経路を提供している。
しかし、これらのアプローチはブラックボックスのままであり、それらの性質を解明することなく位相のみを識別する。
さらに、現実的でノイズの多い実験データと向き合うと、しばしば苦労する。
ここでは,異なる形状のフィルタの並列分岐を持つ畳み込みアーキテクチャであるTetrisCNNを導入することで,これらの視点を橋渡しする。
複数のベースで測定された2次元IsingおよびXY量子シミュレータの実験スナップショットに適用すると、ネットワークは相転移と交叉を検出するだけでなく、その潜在表現と決定境界を、実験的に測定可能なスピンコレレータから構築されたシンボル式として表現する。
このフレームワークは、解釈可能なニューラルネットワークと量子シミュレータを統合することで、新しい段階の物質の発見と理解を可能にする。
関連論文リスト
- Post-Selection-Free Decoding of Measurement-Induced Area-Law Phases via Neural Networks [5.626168552306134]
我々は、畳み込みニューラルネットワークと注意機構を組み合わせたニューラルネットワークアーキテクチャを考案し、自明で長距離の絡み合いがあり、対称性に保護された位相を分類する。
定常状態への緩和は、量子状態再構成の必要性を完全に回避し、分類器の精度の急激な収束として現れることを示す。
論文 参考訳（メタデータ） (2026-04-04T02:34:58Z) - Phase transitions reveal hierarchical structure in deep neural networks [0.0]
本稿では,Deep Neural Networksにおける位相遷移が,ロスランドスケープにおけるサドルポイントによって制御されていることを示す。
我々は,L2正規化器を誤差景観の幾何学を探索するツールとして用いた,単純で高速で実装が容易なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-12-05T15:14:09Z) - Speak so a physicist can understand you! TetrisCNN for detecting phase transitions and order parameters [3.669506968635671]
TetrisCNNは並列ブランチを持つ畳み込みNNであり、異なるカーネルを使用してスピンシステムの位相を検出する。
テトリスCNNは2次元イジングゲージ理論の例を用いて,より複雑な順序パラメータを検出可能であることを示す。
この研究は、NNと量子シミュレータを統合することで、新しいエキゾチックな物質相の研究につながる可能性がある。
論文 参考訳（メタデータ） (2024-11-04T16:30:58Z) - Interpretable Joint Event-Particle Reconstruction for Neutrino Physics
at NOvA with Sparse CNNs and Transformers [124.29621071934693]
本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。
TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。
このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
論文 参考訳（メタデータ） (2023-03-10T20:36:23Z) - Observing a topological phase transition with deep neural networks from
experimental images of ultracold atoms [0.0]
低信号-雑音比(SNR)実験データを用いた深部畳み込みニューラルネットワークを用いて位相相転移の同定に成功したことを報告した。
我々の研究は、様々な量子システムで使用される機械学習技術の可能性を浮き彫りにしている。
論文 参考訳（メタデータ） (2022-09-21T01:12:21Z) - Neural-Network Decoders for Measurement Induced Phase Transitions [0.0]
観測量子系における測定誘起絡み合い相転移は顕著な例である。
測定結果に基づいて基準量子ビットの状態を決定するニューラルネットワークデコーダを提案する。
エンタングルメント相転移は,デコーダ関数の学習可能性に変化をもたらすことを示す。
論文 参考訳（メタデータ） (2022-04-22T19:40:26Z) - Simulation Paths for Quantum Circuit Simulation with Decision Diagrams [72.03286471602073]
決定図を用いて量子回路をシミュレートする際に選択される経路の重要性について検討する。
我々は、専用のシミュレーションパスを調査できるオープンソースのフレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-01T19:00:11Z) - Probing the topological Anderson transition with quantum walks [48.7576911714538]
光線形ネットワークにおける1次元量子ウォークについて考察する。
ウォーカーの確率分布を直接監視するオプションは、この光学プラットフォームを1次元トポロジカルアンダーソン転移のユニークなシグネチャの実験的観察に最適である。
論文 参考訳（メタデータ） (2021-02-01T21:19:15Z) - SPIN: Structure-Preserving Inner Offset Network for Scene Text
Recognition [48.676064155070556]
任意テキストの出現は、シーンテキスト認識タスクにおいて大きな課題となる。
我々は新しい学習可能な幾何学的非関連モジュールであるStructure-Preserving Inner Offset Network (SPIN)を導入する。
SPINは、ネットワーク内のソースデータの色操作を可能にする。
論文 参考訳（メタデータ） (2020-05-27T01:47:07Z) - Phase Detection with Neural Networks: Interpreting the Black Box [58.720142291102135]
ニューラルネットワーク(NN)は通常、予測の背後にある推論に対する洞察を妨げます。
本研究では,1次元拡張スピンレスFermi-Hubbardモデルの位相を半充足で予測するために,NNのブラックボックスをいかに影響関数が解き放つかを示す。
論文 参考訳（メタデータ） (2020-04-09T17:45:45Z) - Unsupervised machine learning of quantum phase transitions using
diffusion maps [77.34726150561087]
本研究では, 測定データの非線形次元減少とスペクトルクラスタリングを行う拡散写像法が, 教師なしの複雑な位相遷移を学習する上で有意なポテンシャルを持つことを示す。
この方法は、局所観測可能量の単一の基底での測定に役立ち、多くの実験的な量子シミュレータに容易に適用できる。
論文 参考訳（メタデータ） (2020-03-16T18:40:13Z)
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。