Fugu-MT 論文翻訳(概要): Accelerated Newton-Raphson GRAPE methods for optimal control

論文の概要: Accelerated Newton-Raphson GRAPE methods for optimal control

arxiv url: http://arxiv.org/abs/2207.09882v2
Date: Thu, 18 Aug 2022 08:13:16 GMT
ステータス: 処理完了
システム内更新日: 2023-02-04 08:07:38.020906
Title: Accelerated Newton-Raphson GRAPE methods for optimal control
Title（参考訳）: 最適制御のための加速Newton-Raphson GRAPE法
Authors: David L. Goodwin and Mads Sloth Vinding
Abstract要約: 従来望ましくなかった計算時間のスケーリングを緩和するために,Hessian に基づく最適制御法が Liouville 空間で提案されている。現実的な条件下では,Newton-aphson GRAPE法を最適に実装しているのに対し,新しい補助行列とESCALADE Hessianは,それぞれ4-200倍,70-600倍高速であることがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A Hessian based optimal control method is presented in Liouville space to mitigate previously undesirable polynomial scaling of computation time. This new method, an improvement to the state-of-the-art Newton-Raphson GRAPE method, is derived with respect to two exact time-propagator derivative techniques: auxiliary matrix and ESCALADE methods. We observed that compared to the best current implementation of Newton-Raphson GRAPE method, for an ensemble of 2-level systems, with realistic conditions, the new auxiliary matrix and ESCALADE Hessians can be 4-200 and 70-600 times faster, respectively.
Abstract（参考訳）: 計算時間の従来望ましくない多項式スケーリングを緩和するために, ヘッセン系最適制御法をリウヴィル空間で提案する。最新のニュートン・ラフソン・グレープ法の改良という新しい手法は、補助行列法とエスカレート法という2つの正確な時間-プロパゲータ誘導体法に関して導出されている。現実的な条件下では,Newton-Raphson GRAPE法を最適に実装しているのに対し,新しい補助行列とESCALADE Hessianは,それぞれ4-200倍,70-600倍高速であることがわかった。

関連論文リスト

Shuffling Gradient-Based Methods for Nonconvex-Concave Minimax Optimization [20.093236438944718]
我々は非線形ミニマックス問題に対処する新しい勾配法を開発した。提案手法は,他の手法と同等の結果が得られることを示す。
論文参考訳（メタデータ） (2024-10-29T17:47:22Z)
A fast neural hybrid Newton solver adapted to implicit methods for nonlinear dynamics [6.642649934130245]
本稿では,厳密な時間進化非線形方程式に対する非線形時間ステップシステムのこの解を高速化するための,ニュートン法に基づく新しい演算子学習法を提案する。ニュートン法における量的改善率を示し、教師なし学習戦略の一般化誤差の上限を解析する。
論文参考訳（メタデータ） (2024-07-04T14:02:10Z)
Incremental Quasi-Newton Methods with Faster Superlinear Convergence Rates [50.36933471975506]
各成分関数が強く凸であり、リプシッツ連続勾配とヘシアンを持つ有限和最適化問題を考える。最近提案されたインクリメンタル準ニュートン法は、BFGSの更新に基づいて、局所的な超線形収束率を達成する。本稿では、対称ランク1更新をインクリメンタルフレームワークに組み込むことにより、より効率的な準ニュートン法を提案する。
論文参考訳（メタデータ） (2024-02-04T05:54:51Z)
An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文参考訳（メタデータ） (2023-06-10T08:25:16Z)
ISAAC Newton: Input-based Approximate Curvature for Newton's Method [43.62131887251156]
本稿では,選択した2次情報を用いて勾配を規定する新しい手法ISAACを提案する。本研究では,各層への入力のみに基づいて,計算オーバーヘッドを伴わずに良好な条件を計算可能であることを示す。
論文参考訳（メタデータ） (2023-05-01T00:00:04Z)
Efficient Graph Laplacian Estimation by Proximal Newton [12.05527862797306]
グラフ学習問題は、精度行列の最大極大推定(MLE)として定式化することができる。いくつかのアルゴリズム的特徴を利用した効率的な解法を得るための2次手法を開発した。
論文参考訳（メタデータ） (2023-02-13T15:13:22Z)
Newton-LESS: Sparsification without Trade-offs for the Sketched Newton Update [88.73437209862891]
2階最適化において、潜在的なボトルネックは繰り返しごとに最適化関数のヘシアン行列を計算することである。本稿では,ガウススケッチ行列を劇的に分散させることにより,スケッチの計算コストを大幅に削減できることを示す。ニュートン=ルネッサはガウス埋め込みとほぼ同じ問題に依存しない局所収束率を享受していることを証明した。
論文参考訳（メタデータ） (2021-07-15T17:33:05Z)
A Discrete Variational Derivation of Accelerated Methods in Optimization [68.8204255655161]
最適化のための異なる手法を導出できる変分法を導入する。我々は1対1の対応において最適化手法の2つのファミリを導出する。自律システムのシンプレクティシティの保存は、ここでは繊維のみに行われる。
論文参考訳（メタデータ） (2021-06-04T20:21:53Z)
Leveraging Non-uniformity in First-order Non-convex Optimization [93.6817946818977]
目的関数の非一様洗練は、emphNon-uniform Smoothness(NS)とemphNon-uniform Lojasiewicz inequality(NL)につながる新しい定義は、古典的な$Omega (1/t2)$下界よりも早く大域的最適性に収束する新しい幾何学的一階法を刺激する。
論文参考訳（メタデータ） (2021-05-13T04:23:07Z)
Interpolation Technique to Speed Up Gradients Propagation in Neural ODEs [71.26657499537366]
本稿では,ニューラルネットワークモデルにおける勾配の効率的な近似法を提案する。我々は、分類、密度推定、推論近似タスクにおいて、ニューラルODEをトレーニングするリバースダイナミック手法と比較する。
論文参考訳（メタデータ） (2020-03-11T13:15:57Z)
On Newton Screening [14.040371216692645]
我々はNewton Screening (NS) と呼ばれる新しいスクリーニング手法を開発した。 NSは、一段階局所収束を達成するという意味で、最適収束特性を有することを示す。
論文参考訳（メタデータ） (2020-01-27T11:25:33Z)

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。