Fugu-MT 論文翻訳(概要): An Exact Bitwise Reversible Integrator

論文の概要: An Exact Bitwise Reversible Integrator

arxiv url: http://arxiv.org/abs/2207.07695v1
Date: Fri, 15 Jul 2022 18:35:15 GMT
ステータス: 処理完了
システム内更新日: 2022-07-20 07:44:43.272060
Title: An Exact Bitwise Reversible Integrator
Title（参考訳）: ビットワイズ可逆積分器
Authors: Jos Stam
Abstract要約: シミュレーションは前後に進むことができ、同じ経路を正確に追従できることを示す。我々の主な応用は、最適化に使用される随伴手法の逆ステップを効率的に実装することである。我々の積分器は微分シミュレーションや機械学習(バックプロパゲーション)に応用できる。
参考スコア（独自算出の注目度）: 3.04585143845864
License: http://creativecommons.org/licenses/by/4.0/
Abstract: At a fundamental level most physical equations are time reversible. In this paper we propose an integrator that preserves this property at the discrete computational level. Our simulations can be run forward and backwards and trace the same path exactly bitwise. We achieve this by implementing theoretically reversible integrators using a mix of fixed and floating point arithmetic. Our main application is in efficiently implementing the reverse step in the adjoint method used in optimization. Our integrator has applications in differential simulations and machine learning (backpropagation).
Abstract（参考訳）: 基本的なレベルでは、ほとんどの物理方程式は時間可逆である。本稿では,この特性を離散計算レベルで保持する積分器を提案する。シミュレーションは前後に実行でき、同じ経路を正確にビット単位で追跡できます。固定点算術と浮動小数点算術を組み合わせて理論上可逆積分器を実装してこれを実現する。我々の主な応用は、最適化に使用される随伴手法の逆ステップを効率的に実装することである。我々の積分器は微分シミュレーションや機械学習(バックプロパゲーション)に応用できる。

関連論文リスト

Fast classical simulation of qubit-qudit hybrid systems [6.116156387681214]
量子回路のシミュレーションは、テンソル積や行列乗法に大きく依存する計算集約的なタスクである。近年の進歩は、テンソル生成物や行列乗算の必要性を排除し、効率と並列化の大幅な改善をもたらす。本稿では,Qubit-Quditハイブリッドシステムに適用可能なブロックシミュレーション手法を提案する。
論文参考訳（メタデータ） (2024-10-23T13:49:25Z)
Efficient classical simulation of open bosonic quantum systems [0.0]
そこで本研究では,ボソニック量子系の演算子の力学を環境に結合する手法を提案する。この方法は作用素を複素数値関数の集合に、その随伴マスター方程式を偏微分方程式の集合にマッピングする。本稿では,超伝導量子プロセッサの動作検証に有用な手法であることを示す。
論文参考訳（メタデータ） (2022-03-10T18:24:09Z)
Splitting numerical integration for matrix completion [0.0]
低階行列近似のための新しいアルゴリズムを提案する。このアルゴリズムは最適化の枠組みにおける古典的な勾配勾配の適応である。実験結果から,本手法は大規模問題に対して優れたスケーラビリティを有することが示された。
論文参考訳（メタデータ） (2022-02-14T04:45:20Z)
Fast Differentiable Matrix Square Root and Inverse Square Root [65.67315418971688]
微分可能な行列平方根と逆平方根を計算するためのより効率的な2つの変種を提案する。前方伝搬には, Matrix Taylor Polynomial (MTP) を用いる方法と, Matrix Pad'e Approximants (MPA) を使用する方法がある。一連の数値実験により、両方の手法がSVDやNSの繰り返しと比較してかなりスピードアップすることが示された。
論文参考訳（メタデータ） (2022-01-29T10:00:35Z)
SHINE: SHaring the INverse Estimate from the forward pass for bi-level optimization and implicit models [15.541264326378366]
近年,深層ニューラルネットワークの深度を高める手法として暗黙の深度学習が登場している。トレーニングは双レベル問題として実行され、その計算複雑性は巨大なヤコビ行列の反復反転によって部分的に駆動される。本稿では,この計算ボトルネックに対処する新たな手法を提案する。
論文参考訳（メタデータ） (2021-06-01T15:07:34Z)
Fast and differentiable simulation of driven quantum systems [58.720142291102135]
我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
論文参考訳（メタデータ） (2020-12-16T21:43:38Z)
Self Normalizing Flows [65.73510214694987]
本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
論文参考訳（メタデータ） (2020-11-14T09:51:51Z)
Efficient calculation of gradients in classical simulations of variational quantum algorithms [0.0]
O(P)時間における勾配を正確に計算するエミュレーション戦略の新たな導出法を提案する。私たちの戦略は非常にシンプルで、'apply gate'、'clone state'、'inner product'プリミティブのみを使用します。ゲート並列化スキームやハードウェアアクセラレーションや分散シミュレータと互換性がある。
論文参考訳（メタデータ） (2020-09-06T21:39:44Z)
Efficient Learning of Generative Models via Finite-Difference Score Matching [111.55998083406134]
有限差分で任意の順序方向微分を効率的に近似する汎用戦略を提案する。我々の近似は関数評価にのみ関係しており、これは並列で実行でき、勾配計算は行わない。
論文参考訳（メタデータ） (2020-07-07T10:05:01Z)
Kernel methods through the roof: handling billions of points efficiently [94.31450736250918]
カーネル法は、非パラメトリック学習に対するエレガントで原則化されたアプローチを提供するが、今のところ大規模な問題ではほとんど利用できない。最近の進歩は、最適化、数値線形代数、ランダム射影など、多くのアルゴリズム的アイデアの利点を示している。ここでは、これらの取り組みをさらに進めて、GPUハードウェアを最大限に活用する解決器を開発し、テストする。
論文参考訳（メタデータ） (2020-06-18T08:16:25Z)
Accelerating Feedforward Computation via Parallel Nonlinear Equation Solving [106.63673243937492]
ニューラルネットワークの評価や自己回帰モデルからのサンプリングなどのフィードフォワード計算は、機械学習においてユビキタスである。本稿では,非線形方程式の解法としてフィードフォワード計算の課題を定式化し,ジャコビ・ガウス・シーデル固定点法とハイブリッド法を用いて解を求める。提案手法は, 並列化可能な繰り返し回数の削減(あるいは等値化)により, 元のフィードフォワード計算と全く同じ値が与えられることを保証し, 十分な並列化計算能力を付与する。
論文参考訳（メタデータ） (2020-02-10T10:11:31Z)

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。