論文の概要: Stoquastic ground states are classical thermal distributions
- arxiv url: http://arxiv.org/abs/2011.08572v2
- Date: Thu, 19 Nov 2020 02:39:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-23 21:30:58.532205
- Title: Stoquastic ground states are classical thermal distributions
- Title(参考訳): 確率基底状態は古典的な熱分布である
- Authors: Robbie King, Sergii Strelchuk
- Abstract要約: a) フラストレーションフリーハミルトニアンの基底状態から生じる分布、(b) フラストレーションフリーハミルトニアンの基底状態から生じる分布、(c) 局所古典ハミルトニアンのギブス分布、(d) 実数値のディープボルツマンマシンで表される分布。
- 参考スコア(独自算出の注目度): 0.05710971447109949
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the structure of the ground states of local stoquastic Hamiltonians
and show that under mild assumptions the following distributions can
efficiently approximate one another: (a) distributions arising from ground
states of stoquastic Hamiltonians, (b) distributions arising from ground states
of stoquastic frustration-free Hamiltonians, (c) Gibbs distributions of local
classical Hamiltonian, and (d) distributions represented by real-valued Deep
Boltzmann machines. In addition, we highlight regimes where it is possible to
efficiently classically sample from the above distributions.
- Abstract(参考訳): 局所確率ハミルトニアンの基底状態の構造を考察し,軽度仮定の下では,次の分布を効率的に近似できることを示した。
(a) 確率的ハミルトニアンの基底状態から生じる分布
b) 確率的フラストレーションのないハミルトン系の基底状態から生じる分布
(c)局所古典ハミルトニアンのギブス分布、及び
(d) 実数値Deep Boltzmann マシンで表される分布。
さらに, 上記の分布から, 効率よく古典的なサンプリングが可能となるレギュレーションを強調した。
関連論文リスト
- Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
本報告では,明示的な次元の一般スコアミスマッチ拡散サンプリング器を用いた最初の性能保証について述べる。
その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。
この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文 参考訳(メタデータ) (2024-10-17T16:42:12Z) - Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。
本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。
我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
論文 参考訳(メタデータ) (2024-10-03T09:07:13Z) - Efficient quantum loading of probability distributions through Feynman
propagators [2.56711111236449]
我々は、ハミルトニアンシミュレーションを用いて確率分布のロードのための量子アルゴリズムを、$hat H= Delta + V(x) mathbbI$ という形の1次元ハミルトニアンに対して提示する。
我々は、ファインマンプロパゲーターが解析的に閉じた形式を持つことが知られているポテンシャル$V(x)$を考え、これらのハミルトニアンを用いて確率分布を量子状態にロードする。
論文 参考訳(メタデータ) (2023-11-22T21:41:58Z) - Causal Modeling with Stationary Diffusions [89.94899196106223]
定常密度が干渉下でのシステムの挙動をモデル化する微分方程式を学習する。
古典的アプローチよりもよく、変数に対する見当たらない介入を一般化することを示します。
提案手法は,再生カーネルヒルベルト空間における拡散発生器の定常状態を表す新しい理論結果に基づく。
論文 参考訳(メタデータ) (2023-10-26T14:01:17Z) - Prediction of Seismic Intensity Distributions Using Neural Networks [22.666645601575176]
地動予測方程式は地震強度分布の予測に一般的に用いられる。
本研究では,ニューラルネットワークを用いた回帰と分類のハイブリッド手法を提案する。
本手法は, 地震強度分布, 異常分布を正確に予測できる。
論文 参考訳(メタデータ) (2022-08-16T07:01:22Z) - Ground-state energy distribution of disordered many-body quantum systems [0.0]
乱れた多体量子系の基底状態エネルギー分布に着目した。
提案するシステムの基底状態エネルギー分布を高精度に再現する解析式を導出する。
論文 参考訳(メタデータ) (2022-05-19T18:00:03Z) - Wrapped Distributions on homogeneous Riemannian manifolds [58.720142291102135]
パラメータ、対称性、モダリティなどの分布の性質の制御は、フレキシブルな分布の族を生み出す。
変動型オートエンコーダと潜在空間ネットワークモデル内で提案した分布を利用して,我々のアプローチを実証的に検証する。
論文 参考訳(メタデータ) (2022-04-20T21:25:21Z) - Improving application performance with biased distributions of quantum
states [0.0]
本研究では,Har-random純状態とDirichlet分散係数の混合を解析する。
我々は,バーレス分布とヒルベルト分布の平均純度に一致する濃度パラメータを解析的に導出した。
これらのディリクレ重み付きハール混合物をビュール分布とヒルベルト分布に代えて置換することにより、測定可能な性能の優位性が得られることを示す。
論文 参考訳(メタデータ) (2021-07-15T23:29:10Z) - Robust Learning of Optimal Auctions [84.13356290199603]
本研究では、入札者の評価値のサンプルを逆向きに破損させたり、逆向きに歪んだ分布から引き出すことができる場合に、サンプルから収益-最適マルチバイダオークションを学習する問題について検討する。
我々は,コルモゴロフ-スミルノフ距離における元の分布に対して$alpha$-closeの「全ての真の分布」に対して,収入がほぼ同時に最適であるメカニズムを学習できる新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-07-13T17:37:21Z) - On the distribution of the mean energy in the unitary orbit of quantum
states [2.0305676256390934]
我々は、平均抽出可能な作品の分布がハール測度に関してガウス的に近いことを証明した。
我々は、状態の平均エネルギーの分布のモーメントと、その特性関数の両方について境界を導出する。
論文 参考訳(メタデータ) (2020-12-23T19:00:00Z) - Stochastic Normalizing Flows [52.92110730286403]
微分方程式(SDE)を用いた最大推定と変分推論のための正規化フロー(VI)を導入する。
粗い経路の理論を用いて、基礎となるブラウン運動は潜在変数として扱われ、近似され、神経SDEの効率的な訓練を可能にする。
これらのSDEは、与えられたデータセットの基盤となる分布からサンプリングする効率的なチェーンを構築するために使用することができる。
論文 参考訳(メタデータ) (2020-02-21T20:47:55Z)
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。