論文の概要: Fermion Sampling Made More Efficient
- arxiv url: http://arxiv.org/abs/2109.07358v1
- Date: Wed, 15 Sep 2021 15:11:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-18 10:41:50.812895
- Title: Fermion Sampling Made More Efficient
- Title(参考訳): フェルミオンサンプリングが効率的になった
- Authors: Haoran Sun, Jie Zou and Xiaopeng Li
- Abstract要約: 本稿では,フェミオン数で時間複雑で,システムサイズで線形なフェミオンサンプリングアルゴリズムを提案する。
このアルゴリズムは、最もよく知られたアルゴリズムよりも、時間内で約100%効率が良い。
我々は,多体システムにおけるフェルミオンのサンプリングやテキスト要約の機械学習タスクなど,いくつかのテストアプリケーションでそのパワーを実証する。
- 参考スコア(独自算出の注目度): 19.50440110966488
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fermion sampling is to generate probability distribution of a many-body
Slater-determinant wavefunction, which is termed "determinantal point process"
in statistical analysis. For its inherently-embedded Pauli exclusion principle,
its application reaches beyond simulating fermionic quantum many-body physics
to constructing machine learning models for diversified datasets. Here we
propose a fermion sampling algorithm, which has a polynomial time-complexity --
quadratic in the fermion number and linear in the system size. This algorithm
is about 100% more efficient in computation time than the best known
algorithms. In sampling the corresponding marginal distribution, our algorithm
has a more drastic improvement, achieving a scaling advantage. We demonstrate
its power on several test applications, including sampling fermions in a
many-body system and a machine learning task of text summarization, and confirm
its improved computation efficiency over other methods by counting
floating-point operations.
- Abstract(参考訳): フェルミオンサンプリングは、統計解析において「決定点過程」と呼ばれる多体スレーター決定波動関数の確率分布を生成する。
本質的に埋め込まれたパウリ排他原理のために、その応用はフェルミオン量子多体物理学をシミュレートするだけでなく、多様化したデータセットのための機械学習モデルを構築することができる。
本稿では,フェルミオン数における多項式時間複雑度とシステムサイズにおける線形性を有するフェルミオンサンプリングアルゴリズムを提案する。
このアルゴリズムは、最もよく知られたアルゴリズムよりも計算時間で約100%効率が良い。
対応する限界分布をサンプリングする際、我々のアルゴリズムはより劇的に改善され、スケーリングの優位性が得られる。
我々は,多体システムにおけるフェルミオンのサンプリングやテキスト要約の機械学習タスクなど,いくつかのテストアプリケーションにおいてその性能を実証し,浮動小数点演算を数えることにより,他の手法よりも優れた計算効率を確認する。
関連論文リスト
- Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳(メタデータ) (2024-01-29T02:08:40Z) - 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) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳(メタデータ) (2022-12-12T15:06:32Z) - Efficient computation of the volume of a polytope in high-dimensions
using Piecewise Deterministic Markov Processes [1.5469452301122175]
そこで我々はPiecewise Deterministic Markov Processを用いた新しいサンプリング戦略を提案する。
実験の結果,我々の手法は数値的に頑健であり,ハミルトン・モンテカルロを用いた既存手法よりも1桁早く(あるいはよい)ことが示唆された。
論文 参考訳(メタデータ) (2022-02-18T11:19:03Z) - 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) - Sigma-Delta and Distributed Noise-Shaping Quantization Methods for
Random Fourier Features [73.25551965751603]
我々は、量子化 RFF が基礎となるカーネルの高精度な近似を可能にすることを証明した。
量子化 RFF はさらに圧縮され,メモリ使用量と精度のトレードオフに優れることを示す。
本手法は,この文脈におけるアート量子化手法の他の状態と比較し,いくつかの機械学習タスクにおいて,提案手法の性能を実証的に示す。
論文 参考訳(メタデータ) (2021-06-04T17:24:47Z) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳(メタデータ) (2020-09-28T15:22:24Z) - Quantum-enhanced analysis of discrete stochastic processes [0.8057006406834467]
離散過程(DSP)の特性関数を計算する量子アルゴリズムを提案する。
時間ステップの数と線形にしか成長しない量子回路要素の数を用いて、確率分布を完全に定義する。
このアルゴリズムはすべての軌道を考慮に入れ、重要なサンプリングの必要性を排除している。
論文 参考訳(メタデータ) (2020-08-14T16:07:35Z) - Quantum Sampling Algorithms for Near-Term Devices [0.0]
ギブス分布全体を符号化することで、偏りのないサンプルを提供する量子アルゴリズムのファミリを導入する。
このアプローチが従来のマルコフ連鎖アルゴリズムの高速化につながることを示す。
短期量子デバイス上で、潜在的に有用なサンプリングアルゴリズムを探索する扉を開く。
論文 参考訳(メタデータ) (2020-05-28T14:46:20Z) - Learning with Optimized Random Features: Exponential Speedup by Quantum
Machine Learning without Sparsity and Low-Rank Assumptions [8.08640000394814]
我々は,実行時特性を最適化した分布からサンプリングする量子アルゴリズムを開発した。
我々のアルゴリズムは、このサンプリングタスクの既知の古典的アルゴリズムと比較して、D$の指数的な高速化を実現している。
論文 参考訳(メタデータ) (2020-04-22T18:00:00Z)
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。