Fugu-MT 論文翻訳(概要): Efficient Programmable Random Variate Generation Accelerator from Sensor Noise

論文の概要: Efficient Programmable Random Variate Generation Accelerator from Sensor Noise

arxiv url: http://arxiv.org/abs/2001.05400v2
Date: Thu, 23 Apr 2020 11:31:20 GMT
ステータス: 処理完了
システム内更新日: 2023-01-12 23:41:42.885491
Title: Efficient Programmable Random Variate Generation Accelerator from Sensor Noise
Title（参考訳）: センサノイズによるプログラム型ランダム変動発生加速器
Authors: James Timothy Meech and Phillip Stanley-Marbell
Abstract要約: 制御環境における物理過程のサンプリングに基づく非一様乱数生成手法を提案する。物理プロセスの供給電圧と温度は、乱数生成器の平均および標準偏差がドリフトすることを防ぐために制御されなければならないことを示す。
参考スコア（独自算出の注目度）: 1.90365714903665
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a method for non-uniform random number generation based on sampling a physical process in a controlled environment. We demonstrate one proof-of-concept implementation of the method that reduces the error of Monte Carlo integration of a univariate Gaussian by 1068 times while doubling the speed of the Monte Carlo simulation. We show that the supply voltage and temperature of the physical process must be controlled to prevent the mean and standard deviation of the random number generator from drifting.
Abstract（参考訳）: 本稿では,制御環境における物理過程のサンプリングに基づく非一様乱数生成法を提案する。モンテカルロシミュレーションの速度を2倍にしながら,不定形ガウスのモンテカルロ積分の誤差を1068倍に低減する手法の1つの概念実証実装を実証する。物理プロセスの供給電圧と温度は、乱数生成器の平均および標準偏差がドリフトすることを防ぐために制御されなければならないことを示す。

関連論文リスト

Variational Tensor Network Simulation of Gaussian Boson Sampling and Beyond [0.0]
一般連続変数サンプリング問題に対する古典的シミュレーションツールを提案する。我々はサンプリング問題を、単純な少数体ハミルトンの基底状態を見つけるための問題として再定式化する。我々はガウスボソンサンプリングをシミュレートして手法を検証する。
論文参考訳（メタデータ） (2024-10-24T13:43:06Z)
A random measure approach to reinforcement learning in continuous time [0.43512163406552007]
連続時間強化学習におけるモデル探索のためのランダムな計測手法を提案する。これらのランダム測度の構築はブラウン運動とポアソンランダム測度を利用する。グリッドサンプリング限界SDEは、最近の連続RL文献の探索SDEとサンプルSDEを置き換えることができると論じる。
論文参考訳（メタデータ） (2024-09-25T14:34:09Z)
Gaussian Processes Sampling with Sparse Grids under Additive Schwarz Preconditioner [6.408773096179187]
本稿では,GPモデルの前と後をランダムに実現するためのスケーラブルなアルゴリズムを提案する。提案アルゴリズムはスパースグリッドを用いた点近似と加法的シュワルツプレコンディショナーを利用する。
論文参考訳（メタデータ） (2024-08-01T00:19:36Z)
Score-based Generative Models with Adaptive Momentum [40.84399531998246]
変換過程を高速化する適応運動量サンプリング法を提案する。提案手法は,2倍から5倍の速度で,より忠実な画像/グラフを小さなサンプリングステップで作成できることを示す。
論文参考訳（メタデータ） (2024-05-22T15:20:27Z)
Sharp Calibrated Gaussian Processes [58.94710279601622]
キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
論文参考訳（メタデータ） (2023-02-23T12:17:36Z)
Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文参考訳（メタデータ） (2022-12-12T15:06:32Z)
Accelerating Diffusion Models via Early Stop of the Diffusion Process [114.48426684994179]
Denoising Diffusion Probabilistic Models (DDPM) は、様々な世代タスクにおいて優れたパフォーマンスを実現している。実際には、DDPMは高品質なサンプルを得るために何十万ものデノナイジングステップを必要とすることが多い。本稿では,DDPMの早期停止型DDPM(Early-Stopped DDPM, ES-DDPM)の原理的高速化戦略を提案する。
論文参考訳（メタデータ） (2022-05-25T06:40:09Z)
Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
論文参考訳（メタデータ） (2021-10-06T16:58:34Z)
Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文参考訳（メタデータ） (2021-02-04T02:21:08Z)
Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文参考訳（メタデータ） (2020-11-14T01:27:32Z)
Exhaustive Neural Importance Sampling applied to Monte Carlo event generation [0.0]
Exhaustive Neural Smpling (ENIS) は、リジェクションサンプリングに適した提案密度を自動かつ効率的に求めるための、フローの正規化に基づく手法である。本稿では,この手法がリジェクションアルゴリズムの共通問題をいかに解決するかを論じる。
論文参考訳（メタデータ） (2020-05-26T13:45:45Z)

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。