California Institute of Technology（加州理工学院）

One Operator for Many Densities: Amortized Approximation of Conditioning by Neural Operators

一个算子用于多种密度：通过神经算子实现条件化的消融近似

Panos Tsimpos, Edoardo Calvello, Ayoub Belhadji, Nicholas H. Nelsen

机构 * Operations Research Center（运筹学研究中心） ； Massachusetts Institute of Technology（麻省理工学院） ； Department of Computing and Mathematical Sciences（计算与数学科学系） ； California Institute of Technology（加州理工学院） ； Laboratory for Information and Decision Systems（信息与决策系统实验室） ； Center for Computational Science and Engineering（计算科学与工程中心） ； Department of Mathematics（数学系） ； Cornell University（康奈尔大学） ； Oden Institute for Computational Engineering and Sciences（计算工程与科学学院） 纠错

AI总结 本文提出通过神经算子近似条件化算子，解决概率条件化问题，展示了其在高斯混合模型中的应用，为概率条件化提供了理论基础。

Comments 27 pages (10 main text, 14 appendix, and 3 references pages), 2 figures, 2 tables

The power and limitations of learning quantum dynamics incoherently

不相干学习量子动力学的权力与局限

Sofiene Jerbi, Joe Gibbs, Manuel S. Rudolph, Matthias C. Caro, Patrick J. Coles, Hsin-Yuan Huang, Zoë Holmes

机构 * Theoretical Division, Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室理论部） ； Institute for Theoretical Physics, University of Innsbruck（因斯布鲁克大学理论物理研究所） ； Department of Physics, University of Surrey（萨里大学物理系） ； Institute for Quantum Information and Matter, Caltech（加州理工学院量子信息与物质研究所） ； Normal Computing Corporation（正常计算公司） ； Department of Computing and Mathematical Sciences, Caltech（加州理工学院计算与数学科学系） 纠错

AI总结 本文研究了不相干框架下学习量子动力学的样本复杂性界限，证明了允许任意测量时可高效学习任意单位ary，但受限于浅层测量仅能学习低纠缠单位ary，并通过实验验证了算法的可扩展性。

Comments 6+9 pages, 7 figures

Journal ref Phys. Rev. Research 8, 023141 (2026)