論文の概要: Mixed Precision Fermi-Operator Expansion on Tensor Cores From a Machine Learning Perspective

• arxiv url: http://arxiv.org/abs/2101.06385v1
• Date: Sat, 16 Jan 2021 06:55:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-15 01:08:25.735059
• Title: Mixed Precision Fermi-Operator Expansion on Tensor Cores From a Machine Learning Perspective
• Title（参考訳）: 機械学習から見たテンソルコア上の混合精度フェルミ演算子展開
• Authors: Joshua Finkelstein, Justin Smith, Susan M. Mniszewski, Kipton Barros, Christian F. A. Negre, Emanuel H. Rubensson, Anders M. N. Niklasson
• Abstract要約: NvidiaのA100テンソルコアユニット上での半精度浮動小数点演算では100テラFLOP以上の性能が達成されている。 量子力学的電子構造問題を解くために、微分可能なディープニューラルネットワーク構造を定式化する。
• 参考スコア（独自算出の注目度）: 0.20011494166747584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a second-order recursive Fermi-operator expansion scheme using mixed precision floating point operations to perform electronic structure calculations using tensor core units. A performance of over 100 teraFLOPs is achieved for half-precision floating point operations on Nvidia's A100 tensor core units. The second-order recursive Fermi-operator scheme is formulated in terms of a generalized, differentiable deep neural network structure, which solves the quantum mechanical electronic structure problem. We demonstrate how this network can be accelerated by optimizing the weight and bias values to substantially reduce the number of layers required for convergence. We also show how this machine learning approach can be used to optimize the coefficients of the recursive Fermi-operator expansion to accurately represent fractional occupation numbers of the electronic states at finite temperatures.
• Abstract（参考訳）: 混合精度浮動小数点演算を用いた2次再帰的フェルミ演算拡張スキームを提案し、テンソルコアユニットを用いた電子構造計算を行う。 100テラフロップス以上の性能は、nvidiaのa100テンソルコアユニットの半精度浮動小数点演算で達成される。 二階帰納的フェルミ演算スキームは、量子力学的電子構造問題を解く一般化された微分可能なディープニューラルネットワーク構造によって定式化される。 重みとバイアス値を最適化し,収束に必要な層数を大幅に削減することで,ネットワークの高速化を図る。 また, この機械学習手法を用いて, 有限温度における電子状態の分数占有数を正確に表現するために, 再帰的フェルミ演算子展開の係数を最適化する方法を示す。

関連論文リスト

• Multi-Grid Tensorized Fourier Neural Operator for High-Resolution PDEs [93.82811501035569]
  本稿では,メモリ要求を低減し,より一般化したデータ効率・並列化可能な演算子学習手法を提案する。 MG-TFNOは、実世界の実世界の現象の局所的構造と大域的構造を活用することで、大規模な分解能にスケールする。 乱流ナビエ・ストークス方程式において150倍以上の圧縮で誤差の半分以下を達成できる優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-29T20:18:52Z)
• Tensor Factorized Recursive Hamiltonian Downfolding To Optimize The Scaling Complexity Of The Electronic Correlations Problem on Classical and Quantum Computers [0.15833270109954137]
  本稿では,高コストシミュレーションのための最適化スケーリングを伴う,ハートリー・フォック・ハミルトンのダウンフォールディングに基づく量子化学法を新たに提案する。 古典計算機と量子コンピュータの両方で高価な量子化学アルゴリズムの超クアッドレート高速化を実証する。
  論文  参考訳（メタデータ） (2023-03-13T12:15:54Z)
• D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
  コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。 このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。 さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
  論文  参考訳（メタデータ） (2023-03-01T10:38:10Z)
• Efficient Dataset Distillation Using Random Feature Approximation [109.07737733329019]
  本稿では,ニューラルネットワークガウス過程(NNGP)カーネルのランダム特徴近似(RFA)を用いた新しいアルゴリズムを提案する。 我々のアルゴリズムは、KIP上で少なくとも100倍のスピードアップを提供し、1つのGPUで実行できる。 RFA蒸留 (RFAD) と呼ばれる本手法は, 大規模データセットの精度において, KIP や他のデータセット凝縮アルゴリズムと競合して動作する。
  論文  参考訳（メタデータ） (2022-10-21T15:56:13Z)
• Quantum perturbation theory using Tensor cores and a deep neural network [0.0]
  時間非依存の量子応答計算は、フローティングコアを用いて行われる。 2つのNvidia A100 GPUのコアを用いて,200Tflopsのピーク性能を実証した。
  論文  参考訳（メタデータ） (2022-03-17T21:24:10Z)
• Simulating thermal density operators with cluster expansions and tensor networks [0.0]
  このクラスタテンソルネットワーク演算子(クラスタTNO)を1次元システムに対してベンチマークする。 この定式化は、2次元量子スピン系の温度密度演算子を1つのクラスターTNOとして一定温度で表すために用いられる。 クラスタ-TNO近似は、正しい普遍性クラスにおける連続的な相転移を引き起こす。
  論文  参考訳（メタデータ） (2021-12-02T18:56:44Z)
• Factorized Fourier Neural Operators [77.47313102926017]
  Factorized Fourier Neural Operator (F-FNO) は偏微分方程式をシミュレートする学習法である。 我々は,数値解法よりも桁違いに高速に動作しながら,誤差率2%を維持していることを示す。
  論文  参考訳（メタデータ） (2021-11-27T03:34:13Z)
• Quantum-based Molecular Dynamics Simulations Using Tensor Cores [2.3551989288556774]
  ボルン=オッペンハイマー分子動力学問題に高効率でテンソルコアが適用可能であることを示す。 原子間力は、一般化されたディープニューラルネットワークから得られる電子構造からオンザフライで計算される。 正規アンサンブルシミュレーションスキームも提示され、計算された力の付加的な数値ノイズをランゲヴィン様の力学に吸収する。
  論文  参考訳（メタデータ） (2021-07-06T17:11:45Z)
• Entanglement of formation of mixed many-body quantum states via Tree Tensor Operators [0.0]
  我々は密度行列に対して正のループレス表現を用い、二部交絡に関する情報を符号化する。 最大128スピンの有限温度における1次元臨界格子モデルにおける生成の絡み合いに対する有限サイズスケーリング則を観察し、絡み合いエントロピーのスケーリング則を混合状態に拡張する。
  論文  参考訳（メタデータ） (2020-11-02T19:00:04Z)
• Temporal Attention-Augmented Graph Convolutional Network for Efficient Skeleton-Based Human Action Recognition [97.14064057840089]
  グラフネットワーク(GCN)はユークリッド以外のデータ構造をモデル化するのに非常に成功した。 ほとんどのGCNベースのアクション認識手法は、計算量の多いディープフィードフォワードネットワークを使用して、全てのスケルトンをアクションで処理する。 本稿では,骨格に基づく行動認識の効率を高めるための時間的アテンションモジュール(TAM)を提案する。
  論文  参考訳（メタデータ） (2020-10-23T08:01:55Z)
• Efficient construction of tensor-network representations of many-body Gaussian states [59.94347858883343]
  本稿では,多体ガウス状態のテンソルネットワーク表現を効率よく,かつ制御可能な誤差で構築する手法を提案する。 これらの状態には、量子多体系の研究に欠かせないボゾン系およびフェルミオン系二次ハミルトン系の基底状態と熱状態が含まれる。
  論文  参考訳（メタデータ） (2020-08-12T11:30:23Z)

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。