論文の概要: Global sensitivity analysis for optimization of the Trotter-Suzuki
decomposition
- arxiv url: http://arxiv.org/abs/2101.03349v1
- Date: Sat, 9 Jan 2021 12:41:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-17 06:29:39.393083
- Title: Global sensitivity analysis for optimization of the Trotter-Suzuki
decomposition
- Title(参考訳): トロッター・スズキ分解の最適化のためのグローバル感度解析
- Authors: Alexey N. Pyrkov, Yurii Zotov, Jiangyu Cui, Manhong Yung
- Abstract要約: 本研究では,大域感度解析をトロッタスズキ分解の最適化に適用する手法を開発した。
本稿では,本手法が分解における指数数を削減することの証明例を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Trotter-Suzuki decomposition is one of the main approaches for
realization of quantum simulations on digital quantum computers. Variance-based
global sensitivity analysis (the Sobol method) is a wide used method which
allows to decompose output variance of mathematical model into fractions
allocated to different sources of uncertainty in inputs or sets of inputs of
the model. Here we developed a method for application of the global sensitivity
analysis to the optimization of Trotter-Suzuki decomposition. We show with a
proof-of-concept example that this approach allows to reduce the number of
exponentiations in the decomposition and provides a quantitative method for
finding and truncation 'unimportant' terms in the system Hamiltonian.
- Abstract(参考訳): トロッタースズキ分解は、デジタル量子コンピュータ上での量子シミュレーションを実現するための主要なアプローチの1つである。
変量に基づく大域的感度解析(英語版)(Sobol法)は、数学モデルの出力分散を、入力や入力の集合において異なる不確実性源に割り当てられた分数に分解できる広範囲な方法である。
そこで我々は,大域感度解析のトロッタスズキ分解の最適化への応用法を開発した。
概念実証の例を用いて,この手法は分解の指数数を減少させ,ハミルトニアン系において「重要でない」項を発見・廃止する定量的な方法を提供する。
関連論文リスト
- Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。
本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
論文 参考訳(メタデータ) (2023-06-13T01:18:16Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳(メタデータ) (2023-06-10T08:25:16Z) - Efficient Sensitivity Analysis for Parametric Robust Markov Chains [23.870902923521335]
本稿では,ロバストマルコフ鎖の感度解析法を提案する。
我々は、不確実な遷移確率に関する偏微分の観点から感度を測定する。
得られた結果を、専用感度分析へのアクセスから利益を得る反復学習方式に組み込む。
論文 参考訳(メタデータ) (2023-05-01T08:23:55Z) - Quantization-Based Optimization: Alternative Stochastic Approximation of
Global Optimization [0.0]
NP-hard問題における目的関数のエネルギーレベルを定量化するための大域的最適化アルゴリズムを提案する。
数値実験により,提案アルゴリズムはNP-ハード最適化問題の解法において従来の学習法よりも優れていた。
論文 参考訳(メタデータ) (2022-11-08T03:01:45Z) - Stochastic Learning Equation using Monotone Increasing Resolution of
Quantization [0.0]
単調に量子化分解能が増大する学習方程式は分布の観点として弱く収束することを示す。
本稿では,対象関数のヘシアン制約のような局所収束特性の代わりに,リプシッツ条件を満たす領域に対して,大域的最適化が可能であることを示す。
論文 参考訳(メタデータ) (2021-12-24T09:36:50Z) - A Stochastic Newton Algorithm for Distributed Convex Optimization [62.20732134991661]
均質な分散凸最適化のためのNewtonアルゴリズムを解析し、各マシンが同じ人口目標の勾配を計算する。
提案手法は,既存の手法と比較して,性能を損なうことなく,必要な通信ラウンドの数,頻度を低減できることを示す。
論文 参考訳(メタデータ) (2021-10-07T17:51:10Z) - Scalable Variational Gaussian Processes via Harmonic Kernel
Decomposition [54.07797071198249]
汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。
様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。
提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
論文 参考訳(メタデータ) (2021-06-10T18:17:57Z) - Revisiting the Sample Complexity of Sparse Spectrum Approximation of
Gaussian Processes [60.479499225746295]
本稿では,ガウス過程に対して,パラメータ空間全体に対して同時に保持可能な保証付きスケーラブルな近似を導入する。
我々の近似は、スパーススペクトルガウス過程(SSGP)のための改良されたサンプル複雑性解析から得られる。
論文 参考訳(メタデータ) (2020-11-17T05:41:50Z) - Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。
我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文 参考訳(メタデータ) (2020-07-13T03:27:45Z) - Average-case Acceleration Through Spectral Density Estimation [35.01931431231649]
ランダム2次問題の平均ケース解析のためのフレームワークを開発する。
この分析で最適なアルゴリズムを導出する。
我々は, 均一性, マルテンコ・パストゥル, 指数分布の明示的アルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-02-12T01:44:26Z) - Consensus-Based Optimization on the Sphere: Convergence to Global
Minimizers and Machine Learning [7.998311072988401]
球面上の非函数の大域的最適化のための新しい倉本ビエク型モデルの実装について検討する。
本稿では,本論文で提案したアルゴリズムが寸法によく適合し,極めて多目的であることを示す数値実験を行った。
論文 参考訳(メタデータ) (2020-01-31T18:23:26Z)
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。