論文の概要: PairDiag: an exact diagonalization program for solving general pairing Hamiltonians

• arxiv url: http://arxiv.org/abs/2001.01978v1
• Date: Tue, 7 Jan 2020 11:32:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 21:18:30.980436
• Title: PairDiag: an exact diagonalization program for solving general pairing Hamiltonians
• Title（参考訳）: pairdiag: 一般的なペアリングハミルトニアンを解くための厳密な対角化プログラム
• Authors: Xiaoyu Liu, Chong Qi
• Abstract要約: 対角化に基づくハミルトンの一般対を正確に解くプログラムを提案する。 このプログラムは、標準の自己整合平均場計算におけるBCS近似を置き換えるために容易に実装できる。
• 参考スコア（独自算出の注目度）: 12.52320820999719
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a program for solving exactly the general pairing Hamiltonian based on diagonalization. The program generates the seniority-zero shell-model-like basis vectors via the `01' inversion algorithm. The Hamiltonian matrix is constructed in that seniority-zero space. The program evaluates all non-zero elements of the Hamiltonian matrix "on the fly" using the scattering operator and the search algorithm that act on the generated basis. The matrix is diagonalized by using the iterative Lanczos algorithm. The program thus developed, PairDiag, can calculate efficiently the ground-state eigenvalue and eigenvector of any pairing Hamiltonian. The program can be easily implemented to replace the BCS approximation in standard self-consistent mean-field calculations. The code is parallelized using OpenMP. For larger systems with dimension around 10$^{8-9}$, the calculation can be done within a day on standard desktop computers.
• Abstract（参考訳）: 本稿では,対角化に基づく一般対数ハミルトニアンの解法について述べる。 このプログラムは `01' インバージョンアルゴリズムによって、歳差ゼロのシェルモデルライクな基底ベクトルを生成する。 ハミルトン行列は、その高次零空間で構成される。 プログラムは、生成された基底に作用する散乱演算子と探索アルゴリズムを用いて、ハミルトニアン行列のすべての非零要素を評価する。 行列は反復lanczosアルゴリズムを用いて対角化される。 このプログラムであるPairDiagは、任意のペアリングハミルトンの基底状態固有値と固有ベクトルを効率的に計算することができる。 このプログラムは、標準自己整合平均場計算でbcs近似を置き換えるために容易に実装できる。 コードはOpenMPを使って並列化されている。 次元が 10$^{8-9}$ の大規模システムの場合、計算は標準デスクトップコンピュータで1日以内に行うことができる。

関連論文リスト

• A Quantum Speed-Up for Approximating the Top Eigenvectors of a Matrix [2.7050250604223693]
  与えられた$dtimes d$ matrix $A$ のトップ固有ベクトルのよい近似を見つけることは、基礎的で重要な計算問題である。 上位固有ベクトルの近似の古典的な記述を出力する2つの異なる量子アルゴリズムを与える。
  論文  参考訳（メタデータ） (2024-05-23T16:33:13Z)
• Quantum algorithms for calculating determinant and inverse of matrix and solving linear algebraic systems [43.53835128052666]
  そこで本稿では,行列式と逆行列の行列式(N-1)を計算するための量子アルゴリズムを提案する。 基本的な考え方は、行列の各行を量子系の純粋な状態にエンコードすることである。
  論文  参考訳（メタデータ） (2024-01-29T23:23:27Z)
• Matrix Diagonalization as a Board Game: Teaching an Eigensolver the Fastest Path to Solution [2.239917051803692]
  行列対角化は科学計算の多くの分野の基盤となっている。 我々は,AlphaZeroフレームワークを用いた強化学習がヤコビ行列対角化を加速することを示す。 本研究は,数値線形代数の性能向上のために,機械学習を有望なツールとして活用する機会を浮き彫りにした。
  論文  参考訳（メタデータ） (2023-06-16T03:31:58Z)
• Vectorization of the density matrix and quantum simulation of the von Neumann equation of time-dependent Hamiltonians [65.268245109828]
  我々は、von-Neumann方程式を線形化するための一般的なフレームワークを開発し、量子シミュレーションに適した形でレンダリングする。 フォン・ノイマン方程式のこれらの線型化のうちの1つは、状態ベクトルが密度行列の列重ね元となる標準的な場合に対応することを示す。 密度行列の力学をシミュレートする量子アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-14T23:08:51Z)
• Learning the Positions in CountSketch [49.57951567374372]
  本稿では,まずランダムなスケッチ行列に乗じてデータを圧縮し,最適化問題を高速に解くスケッチアルゴリズムについて検討する。 本研究では,ゼロでないエントリの位置を最適化する学習ベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-11T07:28:35Z)
• A quantum algorithm for solving eigenproblem of the Laplacian matrix of a fully connected weighted graph [4.045204834863644]
  完全連結重み付きグラフのラプラシア行列の固有確率を解くための効率的な量子アルゴリズムを提案する。 具体的には,ブロック符号化フレームワークに基づく最適ハミルトンシミュレーション手法を採用する。 また、このアルゴリズムは対称(非対称)正規化ラプラス行列の固有確率を解くために拡張可能であることを示す。
  論文  参考訳（メタデータ） (2022-03-28T02:24:08Z)
• Fast Differentiable Matrix Square Root [65.67315418971688]
  微分可能な行列平方根を計算するために、より効率的な2つの変種を提案する。 前方伝播には, Matrix Taylor Polynomial (MTP) を用いる方法がある。 もう1つの方法は Matrix Pad'e Approximants (MPA) を使うことである。
  論文  参考訳（メタデータ） (2022-01-21T12:18:06Z)
• Sublinear Time Approximation of Text Similarity Matrices [50.73398637380375]
  一般的なNystr"om法を不確定な設定に一般化する。 我々のアルゴリズムは任意の類似性行列に適用でき、行列のサイズでサブ線形時間で実行される。 本手法は,CUR分解の単純な変種とともに,様々な類似性行列の近似において非常によく機能することを示す。
  論文  参考訳（メタデータ） (2021-12-17T17:04:34Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• Householder Dice: A Matrix-Free Algorithm for Simulating Dynamics on Gaussian and Random Orthogonal Ensembles [12.005731086591139]
  Householder Dice (HD) は、高密度ランダム行列アンサンブルのダイナミクスを翻訳不変特性でシミュレートするアルゴリズムである。 HDアルゴリズムのメモリとコストはそれぞれ$mathcalO(nT)$と$mathcalO(nT2)$である。 数値結果は、高次元ランダムシステムの研究における新しい計算ツールとしてのHDアルゴリズムの約束を示しています。
  論文  参考訳（メタデータ） (2021-01-19T04:50:53Z)
• Quantum algorithms for spectral sums [50.045011844765185]
  正半定値行列(PSD)のスペクトル和を推定するための新しい量子アルゴリズムを提案する。 本稿では, スペクトルグラフ理論における3つの問題に対して, アルゴリズムと手法が適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-12T16:29:45Z)

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。