Zobrazeno 1 - 10
of 640
pro vyhledávání: '"tensor network"'
Publikováno v:
Frontiers in Physics, Vol 12 (2024)
We introduce a tensor network algorithm for the solution of p-spin models. We show that bond compression through rank-revealing decompositions performed during the tensor network contraction resolves logical redundancies in the system exactly and is
Externí odkaz:
https://doaj.org/article/808b62cc262c412db233f7fa06b72ca1
Publikováno v:
High-Confidence Computing, Vol 4, Iss 1, Pp 100186- (2024)
Graph de-anonymization is a technique used to reveal connections between entities in anonymized graphs, which is crucial in detecting malicious activities, network analysis, social network analysis, and more. Despite its paramount importance, convent
Externí odkaz:
https://doaj.org/article/e1a7be69581f4425834ecc0074cb6436
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
IEEE Transactions on Quantum Engineering, Vol 4, Pp 1-11 (2023)
This article proposes circular hidden quantum Markov models (c-HQMMs), which can be applied for modeling temporal data. We show that c-HQMMs are equivalent to a tensor network (more precisely, circular local purified state) model. This equivalence en
Externí odkaz:
https://doaj.org/article/38a3789117e34be48377b1b7f1d7e616
Publikováno v:
IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol 16, Pp 7882-7895 (2023)
Hyperspectral image (HSI) is rich in spectral information and spatial information to explore the physical and chemical properties of the objects, but it also brings many difficulties to the classification task. The problems of the curse of dimensiona
Externí odkaz:
https://doaj.org/article/e7e616d8e0c54c94847a411f297759a3
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Machine Learning: Science and Technology, Vol 5, Iss 3, p 035075 (2024)
Machine-learning interatomic potentials (MLIPs) have made a significant contribution to the recent progress in the fields of computational materials and chemistry due to the MLIPs’ ability of accurately approximating energy landscapes of quantum-me
Externí odkaz:
https://doaj.org/article/b646ab01b0df47b9a00b293531e8f88c
Autor:
Leonardo Banchi
Publikováno v:
Machine Learning: Science and Technology, Vol 5, Iss 2, p 025036 (2024)
Many inference scenarios rely on extracting relevant information from known data in order to make future predictions. When the underlying stochastic process satisfies certain assumptions, there is a direct mapping between its exact classical and quan
Externí odkaz:
https://doaj.org/article/4cdf398c59e44918a8a039c125f56e09