SU(2)
PulseAugur coverage of SU(2) — every cluster mentioning SU(2) across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新方法学习机器人领域中已知变换定律的偏差
研究人员开发了一种新颖的方法,用于处理涉及根据已知规则组合变换的任务,例如机器人技术中的链式旋转。该方法不重新学习整个变换,而是强制执行已知结构,仅学习偏差。这是通过将精确的非交换群定律集成到一个独立的层中来实现的,其中边学习局部增量,而校正组件学习未知的偏差。该技术在 SU(2) 组合和真实机器人手臂定位等任务上显示出显著的参数效率和准确性提升,优于传统方法。
-
新DP-Learner框架提升哈密顿量预测精度 · 追踪2个来源
研究人员开发了DP-Learner,一个新颖的等变深度学习框架,旨在提高电子结构哈密顿量的预测精度。该框架直接在直积空间中运行,解决了现有使用直和空间方法的表示不匹配问题。DP-Learner利用基于李生成器的嵌入和不变积,在没有复杂分解的情况下保持对SO(3)、SU(2)和空间反演的等变性。该方法已通过在大规模MP-HAM-110K数据集和Materials-HAM-SOC数据集上的实验得到验证,在预测精度和推理效率方面均显示出显著的提升。
-
新的SU(2)-等变图神经网络推动分子磁性预测
研究人员开发了eSpinor,一种新颖的SU(2)-等变图神经网络,旨在通过传播旋量特征来预测分子磁性。这种方法提高了钴单分子磁体候选物零场分裂的预测精度,并增强了镝探针的真实电子自旋相关性,即使在没有针对甲醇等不同环境进行重新训练的情况下也是如此。研究结果表明,SU(2)-等变旋量消息传递为分子磁性提供了有价值的归纳偏置,强调了基于特定物理可观测量的准确性进行模型选择的重要性。
-
新方法简化了二维格点上SU(N)规范理论的采样
研究人员开发了一种在二维格点上采样SU(N)规范理论的新颖方法,解决了格点规范理论中的一个关键挑战。该方法利用全纯变量和角重排技术来模拟单个方形图的分布,然后通过条件采样问题将其映射到连接变量。该方法在SU(2)和SU(3)规范理论的测试中显示出高接受率和适中的有效样本量。
-
新方法使用归一化流对 SU(N) 格点规范理论进行采样
研究人员开发了一种使用归一化流在二维格点上采样 SU(N) 规范理论的新颖方法。该方法通过将作用重新表述为全纯变量来解决在格点规范理论中将采样到的劈形图映射到连接变量的挑战。该方法涉及一个条件采样问题,其中劈形图是独立采样的,权重由角点变量的群换位子决定。该技术在 SU(2) 和 SU(3) 理论的各种格点尺寸和耦合上的测试中显示出高接受率和中等有效样本量。
-
新的NC-SSM模型克服了Mamba、S4D和LRU的局限性
研究人员引入了非交换状态空间模型(NC-SSM),以解决现有选择性状态空间模型(如Mamba)的局限性。这些新模型,包括SO(3)-SSM和Cayley-SSM,将状态转换扩展到紧李群,实现了精确的保持范数的等距。基准测试表明,NC-SSM在跟踪A_5和S_5等复杂群方面显著优于对角线模型,并以最小的漂移保持黎曼流形。
-
量子神经网络实现高效加密联邦学习
研究人员利用单位四元数(自旋)图谱,开发了一种新颖的量子神经网络同态联邦学习方法。该方法显著降低了加密训练的计算成本,将其从 prohibitive 的开销转变为可管理的开销。新协议允许混合量子经典网络的非交互式加密联邦训练,展示了可忽略的效用损失,并复制了跨数据集和多达 20 个客户端的收敛趋势。
-
经典 SU(2) 模型在视觉任务上优于量子电路
一篇新的研究论文在各种视觉基准测试上比较了经典 SU(2) 模型与变分量子电路 (VQC)。研究发现,四元数神经网络(一种经典 SU(2) 模型)在 MNIST、Fashion-MNIST 和 CIFAR-10 等数据集上的表现与浅层 VQC 相当或更好。虽然四元数网络保持了很高的实值网络性能百分比,但 VQC 显示出较低的准确率和较高的计算成本,这表明对于缺乏内在量子结构的任务,经典 SU(2) 几何可以作为浅层量子电路的有效替代方案。
-
四元数网络在视觉任务上表现优于量子电路
研究人员将四元数神经网络与浅层变分量子电路(VQC)在经典监督学习任务上的性能进行了比较。研究发现,在MNIST、Fashion-MNIST和CIFAR-10等基准测试中,四元数网络的性能普遍能媲美或接近实值神经网络的性能。相比之下,浅层VQC的准确率较低,计算成本较高,这表明共享的局部SU(2)几何结构不足以在这些场景中带来实际的量子优势。
-
新的李群扩散模型增强了量子电路合成
研究人员开发了用于硬件感知量子电路合成的李群扩散模型。该方法将SU(2)流形上量子门的几何特性与离散的、硬件特定的电路结构相结合。该模型包括一个用于选择电路骨架的组件和一个通过直接在SU(2)流形上操作来在这些模板上生成量子门的扩散模型。该方法在三量子比特哈密顿量模拟的酉编译方面已被证明优于基线方法,为硬件感知量子电路合成提供了一个自然的生成框架。
-
李群扩散模型增强硬件感知量子电路合成
研究人员开发了一种新颖的量子电路合成方法,该方法同时考虑了量子门的连续几何形状和硬件特定的约束。他们的方法利用了一个由两部分组成的生成模型:一个电路骨架选择器来确定纠缠结构,以及一个在 $SU(2)$ 流形上生成量子门的扩散模型。与现有针对哈密顿量模拟目标的酉编译方法相比,这种李群扩散技术在保真度和复杂性之间取得了更好的平衡,表现出优越的性能。