Fugu-MT 論文翻訳(概要): Regularized scheme of time evolution tensor network algorithms

論文の概要: Regularized scheme of time evolution tensor network algorithms

arxiv url: http://arxiv.org/abs/2208.03436v1
Date: Sat, 6 Aug 2022 03:38:37 GMT
ステータス: 処理完了
システム内更新日: 2023-02-02 02:23:44.117033
Title: Regularized scheme of time evolution tensor network algorithms
Title（参考訳）: 時間発展テンソルネットワークアルゴリズムの正規化スキーム
Authors: Li-Xiang Cen
Abstract要約: 量子格子系の時間発展をシミュレートするために正規化分解法を提案する。プロパゲーターの結果として生じるコンパクト構造は、高階ベーカー・カンベル・ハウスドルフ級数を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Regularized factorization is proposed to simulate time evolution for quantum lattice systems. Transcending the Trotter decomposition, the resulting compact structure of the propagator indicates a high-order Baker-Campbell-Hausdorff series. Regularized scheme of tensor network algorithms is then developed to determine the ground state energy for spin lattice systems with Heisenberg or Kitaev-type interactions. Benchmark calculations reveal two distinct merits of the regularized algorithm: it has stable convergence, immune to the bias even in applying the simple update method to the Kitaev spin liquid; contraction of the produced tensor network can converge rapidly with much lower computing cost, relaxing the bottleneck to calculate the physical expectation value.
Abstract（参考訳）: 量子格子系の時間発展をシミュレートするために正規化分解法を提案する。トロッター分解を超越すると、プロパゲーターのコンパクト構造は高階ベーカー・カンベル・ハウスドルフ級数を示す。テンソルネットワークアルゴリズムの正規化スキームは、ハイゼンベルク型あるいは北エフ型相互作用を持つスピン格子系の基底状態エネルギーを決定するために開発される。ベンチマーク計算は正規化アルゴリズムの2つの利点を明らかにしている: 安定収束を持ち、キタエフスピン液体に単純な更新法を適用する場合でもバイアスに影響を受けない; 生成したテンソルネットワークの収縮は、計算コストをはるかに低くして急速に収束し、ボトルネックを緩和して物理的期待値を計算する。

関連論文リスト

Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文参考訳（メタデータ） (2024-05-22T17:23:15Z)
Tensor Network Representation and Entanglement Spreading in Many-Body Localized Systems: A Novel Approach [0.0]
一次元多体局在系に対する局所運動積分を計算するための新しい手法が考案された。最適なユニタリ変換のクラスはテンソル-ネットワーク形式において導出され、指定された系のハミルトニアンを対角化する。提案手法の効率を評価した結果, 高速かつほぼ正確であることが判明した。
論文参考訳（メタデータ） (2023-12-13T14:28:45Z)
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)
Efficient Bound of Lipschitz Constant for Convolutional Layers by Gram Iteration [122.51142131506639]
循環行列理論を用いて畳み込み層のスペクトルノルムに対して、精密で高速で微分可能な上界を導入する。提案手法は, 精度, 計算コスト, スケーラビリティの観点から, 他の最先端手法よりも優れていることを示す。これは畳み込みニューラルネットワークのリプシッツ正則化に非常に効果的であり、並行アプローチに対する競合的な結果である。
論文参考訳（メタデータ） (2023-05-25T15:32:21Z)
Binarizing Sparse Convolutional Networks for Efficient Point Cloud Analysis [93.55896765176414]
我々は,効率的な点群解析のためのBSC-Netと呼ばれるバイナリスパース畳み込みネットワークを提案する。我々は,移動したスパース畳み込みにおけるサイトマッチングに最適なオプションを見つけるために,異なる検索戦略を採用している。我々のBSC-Netは、我々の厳格なベースラインを大幅に改善し、最先端のネットワーク双対化手法より優れています。
論文参考訳（メタデータ） (2023-03-27T13:47:06Z)
Gradient Descent in Neural Networks as Sequential Learning in RKBS [63.011641517977644]
初期重みの有限近傍にニューラルネットワークの正確な電力系列表現を構築する。幅にかかわらず、勾配降下によって生成されたトレーニングシーケンスは、正規化された逐次学習によって正確に複製可能であることを証明した。
論文参考訳（メタデータ） (2023-02-01T03:18:07Z)
Automatic structural optimization of tree tensor networks [0.0]
そこで本稿では,等距離線を局所的に再接続することで,ネットワーク構造を自動的に最適化するTTNアルゴリズムを提案する。システムの基底状態に埋め込まれた絡み合い構造を,最適化TTNにおける完全二分木として効率的に可視化できることを実証した。
論文参考訳（メタデータ） (2022-09-07T14:51:39Z)
Coordinate descent on the orthogonal group for recurrent neural network training [9.886326127330337]
提案アルゴリズムは, 繰り返し行列の2つの列を回転させ, 与えられた行列による乗算として効率的に実装できる演算であることを示す。提案アルゴリズムの有効性を示すために, ベンチマーク繰り返しニューラルネットワークトレーニング問題の実験を行った。
論文参考訳（メタデータ） (2021-07-30T19:27:11Z)
A Convergence Theory Towards Practical Over-parameterized Deep Neural Networks [56.084798078072396]
ネットワーク幅と収束時間の両方で既知の理論境界を大幅に改善することにより、理論と実践のギャップを埋める一歩を踏み出します。本研究では, サンプルサイズが2次幅で, 両者の時間対数で線形なネットワークに対して, 地球最小値への収束が保証されていることを示す。私たちの分析と収束境界は、いつでも合理的なサイズの同等のRELUネットワークに変換できる固定アクティベーションパターンを備えたサロゲートネットワークの構築によって導出されます。
論文参考訳（メタデータ） (2021-01-12T00:40:45Z)
Optimization schemes for unitary tensor-network circuit [0.0]
本稿では,異なるネットワーク構造を持つユニタリテンソルネットワーク回路の変分最適化について論じる。アンザッツは、よく開発されたマルチスケールエンタングルメント再正規化アルゴリズムの一般化に基づいて実行される。本稿では,異なるネットワーク構造に対するベンチマーク計算について述べる。
論文参考訳（メタデータ） (2020-09-05T21:57:28Z)
Efficient variational contraction of two-dimensional tensor networks with a non-trivial unit cell [0.0]
テンソルネットワーク状態は、強い相関の量子モデルとシステムを忠実にキャプチャする効率的な状態のクラスを提供する。我々は最近提案された一次元量子格子をキャプチャするための変分行列積状態アルゴリズムを一般化する。このアルゴリズムの重要な性質は、単位セルのサイズを指数的にではなく線形にスケールする計算努力である。
論文参考訳（メタデータ） (2020-03-02T19:01:06Z)

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。