論文の概要: Recoverability of Gravitational Entanglement under Decoherence

• arxiv url: http://arxiv.org/abs/2611.05044v1
• Date: Tue, 03 Nov 2026 15:14:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 14:51:43.551501
• Title: Recoverability of Gravitational Entanglement under Decoherence
• Title（参考訳）: デコヒーレンス下における重力エンタングルメントの復元可能性
• Abstract要約: デコヒーレンスは重力によって生じる絡み合いを任意に小さくすることができる。 この隠れた非分離性は、厳密に局所的な量子誤差補正を用いて明らかにできるかどうかを問う。 その結果、検出可能な絡み合いの損失は、回復可能な非分離可能なリソースの損失と同等ではないことがわかった。
• 参考スコア（独自算出の注目度）: 4.54356444926171
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Decoherence can make gravitationally generated entanglement arbitrarily small, or even vanishing, without necessarily rendering the effective matter dynamics separable. We ask whether this hidden non-separability can be revealed using strictly local quantum error correction. For Newtonian gravity supplemented by physically relevant localization noise, including environmental noise, and noise from collapse models such as GRW, CSL, and Diósi--Penrose, we analyze when the underlying entangling resource is locally recoverable. For GRW- and CSL-type noise, we analytically establish that strictly local quantum error correction can make the ratio of the effective gravitational interaction strength to the residual decoherence rate arbitrarily large for any parametrization of the collapse model, even in regimes where the unencoded entanglement signal approaches zero. By contrast, the Diósi--Penrose model does not exhibit the same enhancement under bipartite protocol considered here, revealing a qualitative difference. These results show that the loss of detectable entanglement is not equivalent to the loss of a recoverable non-separable resource, and open a route toward practical recovery protocols.
• Abstract（参考訳）: デコヒーレンスは重力によって生じる絡み合いを任意に小さくしたり、あるいは消滅させることさえもでき、必ずしも有効物質力学を分離する必要がない。 この隠れた非分離性は、厳密に局所的な量子誤差補正を用いて明らかにできるかどうかを問う。 環境騒音やGRW, CSL, Diósi-Penroseなどの崩壊モデルからのノイズを含む物理的に関連する局所化ノイズによって補うニュートン重力について, 基礎となるエンタングリング資源が局所的に回復可能であるかどうかを解析する。 GRW型およびCSL型雑音に対しては、非符号化エンタングルメント信号が0に近づいた状態であっても、厳密な局所量子誤差補正は、崩壊モデルのパラメータ化において、有効重力相互作用強度と残留デコヒーレンス率との比を任意に大きくすることができることを解析的に証明する。 対照的に、ディオシ-ペンローズ模型は、ここで考慮されたバイパルタイトプロトコルの下では同様の拡張を示さず、質的な差が明らかである。 これらの結果から, 検出可能な絡み合いの喪失は, 回収可能な非分離性資源の喪失と同等ではなく, 実用的な回復プロトコルへの道を開くことが示唆された。

関連論文リスト

• NICE: Scale-Stable Perturbations for Graph Neural Network Explanations via Noise Corruption [67.57304101271096]
  Element-wise Masking (EM) は、エッジによって引き起こされるメッセージをゼロに抑制する。 ノイズ破壊(NC)は、一致したノームなランダムな方向の破損を通じて各メッセージに摂動を与える。 騒音破壊に基づく説明フレームワークであるNICEは、NCが引き起こす不確実性の下で復元境界(英語版)(SRB)を学習する。
  論文  参考訳（メタデータ） (2026-08-17T03:08:14Z)
• Information-Calibrated Quantum Diffusion: Aligning Forward Noise with Reverse Recoverability [10.481986290704821]
  古典量子情報デクリメント $_t=I(X:Q_t-1)-I(X:Q_t) を固有拡散座標として導入する。 偏極化とともに$_t$が等しくなると、前方情報損失の唯一の最小値の離散化が得られる。
  論文  参考訳（メタデータ） (2026-08-14T08:44:51Z)
• Probabilistic Physics-Informed Neural Networks for Estimating Heterogeneous Elastic Properties from Low-Resolution and Noisy Displacement Data [4.791233143264229]
  低分解能変位測定による弾性特性の推定は、非常に不適切な逆弾性問題である。 既存の逆法は、しばしば高忠実度観測と手動で規定された損失重みに依存する。 本稿では,確率論的逆弾性物理インフォームドニューラルネットワーク(PIE-PINN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-16T04:43:39Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
  拡散モデルは、顕著な品質で高次元データを生成する。 彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。 我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
  論文  参考訳（メタデータ） (2026-05-16T16:51:10Z)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)
• On the Role of Entropy-based Loss for Learning Causal Structures with Continuous Optimization [27.613220411996025]
  因果構造学習問題を最小二乗損失を用いた連続最適化問題として定式化する。 ガウス雑音の仮定に違反すると因果方向の同定が妨げられることを示す。 より一般的なエントロピーに基づく損失は、任意の雑音分布下での確率スコアと理論的に一致している。
  論文  参考訳（メタデータ） (2021-06-05T08:29:51Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)

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。