Fugu-MT 論文翻訳(概要): Positive-definite parametrization of mixed quantum states with deep neural networks

論文の概要: Positive-definite parametrization of mixed quantum states with deep neural networks

arxiv url: http://arxiv.org/abs/2206.13488v1
Date: Mon, 27 Jun 2022 17:51:38 GMT
ステータス: 処理完了
システム内更新日: 2022-06-28 17:40:46.026693
Title: Positive-definite parametrization of mixed quantum states with deep neural networks
Title（参考訳）: ディープニューラルネットワークを用いた混合量子状態の正定値パラメトリゼーション
Authors: Filippo Vicentini, Riccardo Rossi, Giuseppe Carleo
Abstract要約: 本稿では,GHDOに自己回帰構造を埋め込んで,確率分布を直接サンプリングする方法を示す。我々はこのアーキテクチャを、散逸的横フィールドイジングモデルの定常状態によってベンチマークする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce the Gram-Hadamard Density Operator (GHDO), a new deep neural-network architecture that can encode positive semi-definite density operators of exponential rank with polynomial resources. We then show how to embed an autoregressive structure in the GHDO to allow direct sampling of the probability distribution. These properties are especially important when representing and variationally optimizing the mixed quantum state of a system interacting with an environment. Finally, we benchmark this architecture by simulating the steady state of the dissipative transverse-field Ising model. Estimating local observables and the R\'enyi entropy, we show significant improvements over previous state-of-the-art variational approaches.
Abstract（参考訳）: 本稿では,指数ランクの正半定値密度演算子を多項式資源でエンコード可能な,新しいディープニューラルネットワークアーキテクチャであるGram-Hadamard Density Operator (GHDO)を紹介する。次に、確率分布の直接サンプリングを可能にするために、ghdoに自己回帰構造を埋め込む方法を示す。これらの性質は、環境と相互作用するシステムの混合量子状態の表現と変動最適化において特に重要である。最後に、散逸的横フィールドイジングモデルの定常状態をシミュレートすることで、このアーキテクチャをベンチマークする。局所観測量とr\'enyiエントロピーを推定した結果,従来の変分法に比べて有意な改善が見られた。

関連論文リスト

Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文参考訳（メタデータ） (2024-09-05T18:14:22Z)
Deep Neural Networks as Variational Solutions for Correlated Open Quantum Systems [0.0]
より強力なモデルで直接密度行列をパラメータ化することで、より良い変分アンザッツ関数が得られることを示す。本稿では, 散逸的一次元逆場イジングモデルと2次元散逸的ハイゼンベルクモデルについて述べる。
論文参考訳（メタデータ） (2024-01-25T13:41:34Z)
Subsurface Characterization using Ensemble-based Approaches with Deep Generative Models [2.184775414778289]
逆モデリングは、計算コストとスパースデータセットによる予測精度の低下により、不適切な高次元アプリケーションに限られる。 Wasserstein Geneversarative Adrial Network と Gradient Penalty (WGAN-GP) と Ensemble Smoother を多重データ同化 (ES-MDA) と組み合わせる。 WGAN-GPは低次元の潜伏空間から高次元K場を生成するために訓練され、ES-MDAは利用可能な測定値を同化することにより潜伏変数を更新する。
論文参考訳（メタデータ） (2023-10-02T01:27:10Z)
Dynamic Kernel-Based Adaptive Spatial Aggregation for Learned Image Compression [63.56922682378755]
本稿では,空間アグリゲーション機能の拡張に焦点をあて,動的カーネルベースの変換符号化を提案する。提案したアダプティブアグリゲーションはカーネルオフセットを生成し、コンテント条件付き範囲の有効な情報をキャプチャして変換を支援する。実験により,本手法は,最先端の学習手法と比較して,3つのベンチマークにおいて高い速度歪み性能が得られることを示した。
論文参考訳（メタデータ） (2023-08-17T01:34:51Z)
Differentiating Metropolis-Hastings to Optimize Intractable Densities [51.16801956665228]
我々はメトロポリス・ハスティングス検層の自動識別アルゴリズムを開発した。難解な対象密度に対する期待値として表現された目的に対して勾配に基づく最適化を適用する。
論文参考訳（メタデータ） (2023-06-13T17:56:02Z)
Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文参考訳（メタデータ） (2023-06-06T09:12:49Z)
Distributed Bayesian Learning of Dynamic States [65.7870637855531]
提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
論文参考訳（メタデータ） (2022-12-05T19:40:17Z)
Structured Optimal Variational Inference for Dynamic Latent Space Models [16.531262817315696]
動的ネットワークの潜在空間モデルについて検討し、その目的は、ペアの内積と潜在位置のインターセプトを推定することである。後部推論と計算スケーラビリティのバランスをとるために、構造的平均場変動推論フレームワークを検討する。
論文参考訳（メタデータ） (2022-09-29T22:10:42Z)
Ground state search by local and sequential updates of neural network quantum states [3.3711670942444023]
本稿では,ニューラルネットワーク量子状態の局所最適化手法を提案する。制限ボルツマンマシンを用いた非可積分傾動イジングモデルの基底状態エネルギーと相関関係を解析した。連続的な局所的な更新は、基底状態に近いエネルギーと相関を持つ状態へのより高速な収束をもたらす可能性がある。このアプローチの一般性を示すために、これを 1D と 2D の非可積分スピン系の両方に適用する。
論文参考訳（メタデータ） (2022-07-22T05:24:19Z)
An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文参考訳（メタデータ） (2022-04-19T10:51:00Z)
Probabilistic partition of unity networks: clustering based deep approximation [0.0]
ユニタリネットワーク(POU-Nets)の分割は、回帰とPDEの解に対する代数収束率を実現することができる。ガウス雑音モデルを用いてPOU-Netを拡張し、最大可算損失の勾配に基づく一般化を導出できる確率的一般化を得る。本研究では,高次元・低次元での性能を定量化するためのベンチマークを行い,高次元空間内のデータの潜在次元にのみ依存することを示す。
論文参考訳（メタデータ） (2021-07-07T08:02:00Z)

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。