論文の概要: Bandgap optimization in combinatorial graphs with tailored ground
states: Application in Quantum annealing
- arxiv url: http://arxiv.org/abs/2102.00551v1
- Date: Sun, 31 Jan 2021 22:11:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-13 04:59:59.475393
- Title: Bandgap optimization in combinatorial graphs with tailored ground
states: Application in Quantum annealing
- Title（参考訳）: 配向基底状態を持つ組合せグラフにおけるバンドギャップ最適化:量子アニールへの応用
- Authors: Siddhartha Srivastava and Veera Sundararaghavan
- Abstract要約: Pottsモデルのパラメータ推定にはMILP(mixed-integer linear programming)の定式化を提案する。
2つのアルゴリズムが開発され、第1の手法は、基底状態の集合がユーザの指定したデータセットを複製するパラメータを推定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A mixed-integer linear programming (MILP) formulation is presented for
parameter estimation of the Potts model. Two algorithms are developed; the
first method estimates the parameters such that the set of ground states
replicate the user-prescribed data set; the second method allows the user to
prescribe the ground states multiplicity. In both instances, the optimization
process ensures that the bandgap is maximized. Consequently, the model
parameter efficiently describes the user data for a broad range of
temperatures. This is useful in the development of energy-based graph models to
be simulated on Quantum annealing hardware where the exact simulation
temperature is unknown. Computationally, the memory requirement in this method
grows exponentially with the graph size. Therefore, this method can only be
practically applied to small graphs. Such applications include learning of
small generative classifiers and spin-lattice model with energy described by
Ising hamiltonian. Learning large data sets poses no extra cost to this method;
however, applications involving the learning of high dimensional data are out
of scope.
- Abstract（参考訳）: Pottsモデルのパラメータ推定にはMILP(mixed-integer linear programming)の定式化を提案する。
2つのアルゴリズムが開発されており、第1の手法では、基底状態のセットがユーザが指定したデータセットを複製するようにパラメータを推定する。
どちらの場合も、最適化プロセスはバンドギャップの最大化を保証する。
これにより、モデルパラメータは、幅広い温度のユーザデータを効率的に記述する。
これは、正確なシミュレーション温度が不明な量子アニールハードウェア上でシミュレーションされるエネルギーベースのグラフモデルの開発に有用である。
この手法のメモリ要求はグラフサイズとともに指数関数的に増大する。
したがって、この方法は小さなグラフにしか適用できない。
そのような応用には、小さな生成的分類器の学習や、Ising hamiltonianによって記述されたエネルギーを持つスピン格子モデルが含まれる。
大規模データセットの学習は、この方法に余計なコストを要しないが、高次元データの学習を伴うアプリケーションはスコープ外である。
関連論文リスト
- Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。
この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
論文 参考訳（メタデータ） (2024-11-01T21:11:48Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - A Hybrid GNN approach for predicting node data for 3D meshes [0.0]
現在,有限要素法による最適パラメータの予測を行っている。
新たなデータシミュレーションの処理と生成を支援するハイブリッドアプローチを導入する。
新しいモデルは、シミュレーションを作成するために適用された場合、既存のPointNetや単純なグラフニューラルネットワークモデルよりも優れています。
論文 参考訳（メタデータ） (2023-10-23T08:47:27Z) - Improved Distribution Matching for Dataset Condensation [91.55972945798531]
本稿では,分布マッチングに基づく新しいデータセット凝縮法を提案する。
提案手法は,計算資源の少ない従来の最適化指向手法よりも優れている。
論文 参考訳（メタデータ） (2023-07-19T04:07:33Z) - Stochastic Marginal Likelihood Gradients using Neural Tangent Kernels [78.6096486885658]
線形化されたラプラス近似に下界を導入する。
これらの境界は漸進的な最適化が可能であり、推定精度と計算複雑性とのトレードオフを可能にする。
論文 参考訳（メタデータ） (2023-06-06T19:02:57Z) - Efficient Graph Laplacian Estimation by Proximal Newton [12.05527862797306]
グラフ学習問題は、精度行列の最大極大推定(MLE)として定式化することができる。
いくつかのアルゴリズム的特徴を利用した効率的な解法を得るための2次手法を開発した。
論文 参考訳（メタデータ） (2023-02-13T15:13:22Z) - FaDIn: Fast Discretized Inference for Hawkes Processes with General
Parametric Kernels [82.53569355337586]
この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。
脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。
その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
論文 参考訳（メタデータ） (2022-10-10T12:35:02Z) - Condensing Graphs via One-Step Gradient Matching [50.07587238142548]
ネットワーク重みを訓練せずに1ステップのみの勾配マッチングを行う1ステップ勾配マッチング方式を提案する。
我々の理論的分析は、この戦略が実際のグラフの分類損失を減少させる合成グラフを生成することができることを示している。
特に、元のパフォーマンスの最大98%を近似しながら、データセットサイズを90%削減することが可能です。
論文 参考訳（メタデータ） (2022-06-15T18:20:01Z) - Manifold learning-based polynomial chaos expansions for high-dimensional
surrogate models [0.0]
システム記述における不確実性定量化(UQ)のための多様体学習に基づく手法を提案する。
提案手法は高精度な近似を達成でき、UQタスクの大幅な高速化につながる。
論文 参考訳（メタデータ） (2021-07-21T00:24:15Z) - Neuralizing Efficient Higher-order Belief Propagation [19.436520792345064]
より優れたノードとグラフ表現を学習するためのアプローチを組み合わせることを提案する。
我々は高次PGMに対する効率的な近似積ループ的信念伝搬推定アルゴリズムを導出する。
我々のモデルは実際に高次情報をキャプチャし、分子データセットにおける最先端の$k$のグラフニューラルネットワークよりも大幅に優れています。
論文 参考訳（メタデータ） (2020-10-19T07:51:31Z) - Doubly Sparse Variational Gaussian Processes [14.209730729425502]
我々は、状態空間モデルにはまだインジェクションポイントフレームワークが有効であり、さらなる計算とメモリの節約をもたらすことを示している。
この研究により、実験の1つで示されるように、深いガウス過程モデル内で状態空間の定式化が利用できるようになる。
論文 参考訳（メタデータ） (2020-01-15T15:07:08Z)
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。