論文の概要: Effects of Graph Network Connections on The Efficiency of Quantum Annealing

• arxiv url: http://arxiv.org/abs/2111.11411v2
• Date: Fri, 17 Dec 2021 07:44:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 04:12:03.940248
• Title: Effects of Graph Network Connections on The Efficiency of Quantum Annealing
• Title（参考訳）: 量子アニーリングの効率に及ぼすグラフネットワーク接続の影響
• Authors: Atalay Ege and \"Ozg\"ur E. M\"ustecapl{\i}o\u{g}lu
• Abstract要約: 量子スピンネットワークのグラフ構造は量子アニール(QA)の適用において重要な役割を果たす 本稿では、スピン間の異なる相互作用の相互作用と、基礎となるネットワークの構造がQAの性能に与える影響について考察する。 その結果、IsingモデルのQA性能は、異なる相互作用型間のグラフ構造の変化による変化が少ないことが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph structure of quantum spin networks plays an essential role in applying quantum annealing (QA). The Ising model is the typical choice to describe the interactions between the spins in the networks. Here, we explore the interplay of different interaction types between the spins and the structure of the underlying network on the performance of QA. Specifically, we consider the Heisenberg XY and antisymmetric anisotropic exchange interaction models, in addition to the usual Ising Model, in graph structures ranging from linear chains to complete graphs with different connectivities. We find that the QA performance of the Ising model shows less variation with the change of graph structure among different interaction types. The Heisenberg XY model suffers from significant performance losses with increasing connections beyond linear chains, which we attribute to increasing entropy built-up. Anisotropic exchange interactions turn out to be an impractical choice for complete graphs due to the diminishing energy gap during annealing. Furthermore, we investigate the effect of inhomogeneous couplings and reveal a trade-off between coupling strength and performance, especially significant for the case of the anisotropic exchange model.
• Abstract（参考訳）: 量子スピンネットワークのグラフ構造は量子アニール(QA)の適用において重要な役割を果たす。 イジングモデルは、ネットワーク内のスピン間の相互作用を記述する典型的な選択である。 本稿では,スピン間の相互作用型間の相互作用の相互作用と,qaの性能に関する基盤となるネットワークの構造について検討する。 具体的には、線形鎖から連結性の異なる完全グラフまでのグラフ構造において、通常のイジングモデルに加えて、ハイゼンベルクxyおよび反対称異方性交換相互作用モデルを考える。 その結果、IsingモデルのQA性能は、異なる相互作用型間のグラフ構造の変化による変化が少ないことがわかった。 heisenberg xyモデルは、エントロピーの組込みの増加を特徴とする線形チェーンを越えた接続の増加によって、大幅なパフォーマンス低下に苦しむ。 異方性交換相互作用は、アニール中のエネルギーギャップの減少による完全グラフの非現実的な選択であることが判明した。 さらに,不均質カップリングの効果について検討し,異方性交換モデルにおいて特に重要な結合強度と性能のトレードオフを明らかにする。

関連論文リスト

• Learning Coarse-Grained Dynamics on Graph [4.692217705215042]
  グラフ上の粗粒度動的システムを特定するために,グラフニューラルネットワーク(GNN)非マルコフモデリングフレームワークを検討する。 本研究の主目的は, グラフトポロジを符号化する粗粒度相互作用係数に, モリ・ズワンチのメモリ項の先頭項がどのように依存するかを検査することによって, GNNアーキテクチャを体系的に決定することである。
  論文  参考訳（メタデータ） (2024-05-15T13:25:34Z)
• An analysis of the relative effects of connectivity and coupling interactions on spin networks emulating the D-Wave 2000Q quantum annealer [0.19116784879310028]
  単位セル外の量子ビットに接続された量子ビットにおいて,強い正の空間相関を示す。 次に、ノード間の相関が多くの要因に影響されていることを示す。 これはアーキテクチャ機能を理解することの重要性と、プログラムされていないインタラクション/接続の可能性を強調します。
  論文  参考訳（メタデータ） (2024-05-14T13:51:05Z)
• SimCalib: Graph Neural Network Calibration based on Similarity between Nodes [60.92081159963772]
  グラフニューラルネットワーク(GNN)は、さまざまなアプリケーションで実証されたグラフデータのモデリングにおいて、優れたパフォーマンスを示している。 理論解析により,GNNキャリブレーションとノードワイド類似性の関係について考察した。 SimCalibと名付けられた新しい校正フレームワークは、グローバルレベルとローカルレベルにおけるノード間の類似性を検討するために提案されている。
  論文  参考訳（メタデータ） (2023-12-19T04:58:37Z)
• Causally-guided Regularization of Graph Attention Improves Generalizability [69.09877209676266]
  本稿では,グラフアテンションネットワークのための汎用正規化フレームワークであるCARを紹介する。 メソッド名は、グラフ接続に対するアクティブ介入の因果効果とアテンションメカニズムを一致させる。 ソーシャル・メディア・ネットワーク規模のグラフでは、CAR誘導グラフ再構成アプローチにより、グラフの畳み込み手法のスケーラビリティとグラフの注意力の向上を両立させることができる。
  論文  参考訳（メタデータ） (2022-10-20T01:29:10Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Learning Heterogeneous Interaction Strengths by Trajectory Prediction with Graph Neural Network [0.0]
  地中相互作用強度を考慮せずに連続的に重み付けされた相互作用グラフを推定するための注意関係推論ネットワーク(RAIN)を提案する。 本研究では, シミュレーションされた物理系の連続的な相互作用強度を, 教師なしの方法で正確に推定できることを述べる。
  論文  参考訳（メタデータ） (2022-08-28T09:13:33Z)
• Constructing Tensor Network Influence Functionals for General Quantum Dynamics [0.0]
  我々は、影響関数の時空テンソルネットワーク表現を使用し、その近似性を結合次元と時間的絡み合いの観点から検討する。 我々は、その構造に係わる影響関数と中間体は、ある力学系における低結合次元テンソルネットワークによって効率的に近似できることを示した。 浴槽を反復的に一体化するので、影響関数の相関は低下する前に最初に増大し、非自明なキャンセルによって影響関数の最終的な圧縮性が達成されることを示す。
  論文  参考訳（メタデータ） (2021-01-14T05:42:25Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
  マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。 我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
  論文  参考訳（メタデータ） (2020-05-17T04:46:07Z)
• InteractionNet: Modeling and Explaining of Noncovalent Protein-Ligand Interactions with Noncovalent Graph Neural Network and Layer-Wise Relevance Propagation [0.0]
  非共有結合タンパク質-リガンド相互作用を学習するためのグラフニューラルネットワークアーキテクチャを提案する。 本モデルは, 化学解釈における性能および関連性の両方において, 非共有相互作用の予測に成功していることを示す。
  論文  参考訳（メタデータ） (2020-05-12T12:46:44Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。