論文の概要: Simulations of state-of-the-art fermionic neural network wave functions with diffusion Monte Carlo

• arxiv url: http://arxiv.org/abs/2103.12570v2
• Date: Wed, 24 Mar 2021 19:13:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-07 02:17:20.232028
• Title: Simulations of state-of-the-art fermionic neural network wave functions with diffusion Monte Carlo
• Title（参考訳）: 拡散モンテカルロを用いた最先端フェルミオン型ニューラルネットワーク関数のシミュレーション
• Authors: Max Wilson, Nicholas Gao, Filip Wudarski, Eleanor Rieffel and Norm M. Tubman
• Abstract要約: ネットワークへのいくつかの変更(Fermi Net)と最適化(Kronecker Factored Approximate Curvature)を導入する。 ディフュージョン・モンテカルロの結果は、調査された全てのシステムに対して、最先端の性能を上回るか、一致している。
• 参考スコア（独自算出の注目度）: 2.039924457892648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently developed neural network-based \emph{ab-initio} solutions (Pfau et. al arxiv:1909.02487v2) for finding ground states of fermionic systems can generate state-of-the-art results on a broad class of systems. In this work, we improve the results for this Ansatz with Diffusion Monte Carlo. Additionally, we introduce several modifications to the network (Fermi Net) and optimization method (Kronecker Factored Approximate Curvature) that reduce the number of required resources while maintaining or improving the modelling performance. In terms of the model, we remove redundant computations and alter the way data is handled in the permutation equivariant function. The Diffusion Monte Carlo results exceed or match state-of-the-art performance for all systems investigated: atomic systems Be-Ne, and the carbon cation C$^+$.
• Abstract（参考訳）: 最近、ファーミオン系の基底状態を見つけるためのニューラルネットワークベースの \emph{ab-initio} 解 (pfau et. al arxiv: 1909.02487v2) が、幅広い種類のシステムで最先端の結果を生成する。 本研究では,このansatzの結果を拡散モンテカルロを用いて改善する。 さらに,ネットワーク(fermi net)と最適化手法(kronecker factoredometric curvature)のいくつかの修正を行い,モデリング性能の維持・向上を図りながら,必要なリソース数を削減する。 モデルの観点からは、冗長な計算を除去し、置換同変関数でデータを処理する方法を変更する。 拡散モンテカルロの結果は, 原子系Be-Ne, 炭素カチオンC$^+$のすべての系において, 最先端性能を上回るか一致した。

関連論文リスト

• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Variational Neural and Tensor Network Approximations of Thermal States [0.3277163122167433]
  有限温度量子多体系を近似するための変分モンテカルロアルゴリズムを提案する。 数値最適化には,さまざまな試行状態 – テンソルネットワークとニューラルネットワーク – を"変分Ans"として採用しています。
  論文  参考訳（メタデータ） (2024-01-25T15:36:45Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• A Bayesian Take on Gaussian Process Networks [1.7188280334580197]
  この研究はモンテカルロ法とマルコフ・チェイン・モンテカルロ法を実装し、ネットワーク構造の後方分布からサンプリングする。 提案手法は,ネットワークのグラフィカルな構造を復元する上で,最先端のアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-20T08:38:31Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Synergy between deep neural networks and the variational Monte Carlo method for small $^4He_N$ clusters [0.0]
  本稿ではBose-Einstein統計量を満たす波動関数をモデル化するためのニューラルネットワークに基づくアプローチを提案する。 このモデルを小さな4He_N$クラスタに適用し、基底状態エネルギー、ペア密度関数、および2体接触パラメータを正確に予測する。
  論文  参考訳（メタデータ） (2023-02-01T17:09:13Z)
• Training neural networks using Metropolis Monte Carlo and an adaptive variant [0.0]
  損失関数を最小化してニューラルネットワークをトレーニングするためのツールとして,ゼロ温度モンテカルロアルゴリズムについて検討した。 理論上の根拠から予想され、他の著者によって実証的に示されたように、モンテカルロは勾配勾配に匹敵する精度でニューラルネットを訓練できる。
  論文  参考訳（メタデータ） (2022-05-16T01:01:55Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• Determinant-free fermionic wave function using feed-forward neural networks [0.0]
  本稿では,フィードフォワードニューラルネットワークを用いて,多体フェルミオン系の基底状態を検出する枠組みを提案する。 エネルギーの「ばらつき」をエネルギーそのものと同時に最適化することにより近似の精度を向上させることができることを示す。 これらの改善は、変分モンテカルロ法に基づく他の手法にも適用できる。
  論文  参考訳（メタデータ） (2021-08-19T11:51:36Z)
• 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)
• Nonlinear State-Space Generalizations of Graph Convolutional Neural Networks [172.18295279061607]
  グラフ畳み込みニューラルネットワーク(GCNN)は、線形グラフ畳み込みを非線形にネストすることで、ネットワークデータから構成表現を学習する。 本稿では,GCNNを状態空間の観点からアプローチし,グラフ畳み込みモジュールが最小値線形状態空間モデルであることを明らかにする。 この状態更新は、非パラメトリックであり、グラフスペクトルによって爆発または消滅する可能性があるため、問題となる可能性がある。 本稿では,非線形な状態空間パラメトリック方式でノード特徴を階層内に集約し,よりよいトレードオフを実現するという,新しい結節集合規則を提案する。
  論文  参考訳（メタデータ） (2020-10-27T19:48:56Z)

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。