論文の概要: Quantum algorithms for uncertainty quantification: application to
partial differential equations
- arxiv url: http://arxiv.org/abs/2209.11220v2
- Date: Wed, 28 Sep 2022 16:22:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 17:48:54.942292
- Title: Quantum algorithms for uncertainty quantification: application to
partial differential equations
- Title(参考訳): 不確実性量子化のための量子アルゴリズム:偏微分方程式への応用
- Authors: Francois Golse, Shi Jin and Nana Liu
- Abstract要約: 我々は不確実な係数を持つPDEに対する新しい量子アルゴリズムを提案する。
計算アンサンブル解や物理観測値の計算において,d,L,精度の面で有意な優位性を示す。
- 参考スコア(独自算出の注目度): 27.175719898694073
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most problems in uncertainty quantification, despite its ubiquitousness in
scientific computing, applied mathematics and data science, remain formidable
on a classical computer. For uncertainties that arise in partial differential
equations (PDEs), large numbers M>>1 of samples are required to obtain accurate
ensemble averages. This usually involves solving the PDE M times. In addition,
to characterise the stochasticity in a PDE, the dimension L of the random input
variables is high in most cases, and classical algorithms suffer from
curse-of-dimensionality. We propose new quantum algorithms for PDEs with
uncertain coefficients that are more efficient in M and L in various important
regimes, compared to their classical counterparts. We introduce transformations
that transfer the original d-dimensional equation (with uncertain coefficients)
into d+L (for dissipative equations) or d+2L (for wave type equations)
dimensional equations (with certain coefficients) in which the uncertainties
appear only in the initial data. These transformations also allow one to
superimpose the M different initial data, so the computational cost for the
quantum algorithm to obtain the ensemble average from M different samples is
then independent of M, while also showing potential advantage in d, L and
precision in computing ensemble averaged solutions or physical observables.
- Abstract(参考訳): 科学計算、応用数学、データ科学におけるユビキタス性にもかかわらず、不確実性定量化のほとんどの問題は、古典的なコンピュータ上では厳しいままである。
偏微分方程式 (pdes) において生じる不確かさに対して, サンプルのm>>>1が正確なアンサンブル平均を得るために必要となる。
これは通常、PDE M の時間を解く。
加えて、PDEにおける確率性を特徴づけるために、ランダムな入力変数の次元 L は大抵の場合高く、古典的アルゴリズムは次元の呪いに悩まされる。
本研究では,mおよびlにおいて古典的手法に比べて効率のよい不確定係数を持つpsdのための新しい量子アルゴリズムを提案する。
本研究では, d-次元方程式(不確かさ係数)をd+l(散逸方程式)またはd+2l(波型方程式)に変換し, 不確かさが初期データにのみ現れるような変換を導入する。
これらの変換により、M の異なる初期データを重畳することもできるので、M の異なるサンプルからアンサンブル平均を得るための計算コストは、M とは独立であり、d, L の利点と、アンサンブル平均解や物理観測値の計算精度を示す。
関連論文リスト
- Randomized Physics-Informed Machine Learning for Uncertainty
Quantification in High-Dimensional Inverse Problems [49.1574468325115]
本研究では,高次元逆問題における不確実性定量化のための物理インフォームド機械学習手法を提案する。
我々は解析的に、そして、ハミルトン・モンテカルロとの比較を通して、rPICKLE はベイズ則によって与えられる真の後続に収束することを示す。
論文 参考訳(メタデータ) (2023-12-11T07:33:16Z) - Quantum Variational Solving of Nonlinear and Multi-Dimensional Partial
Differential Equations [1.3593246617391264]
偏微分方程式を数値的に解く変分量子アルゴリズムがLubschらによって提案された。
より広範な非線形PDEと多次元PDEを包含する手法を一般化する。
数値シミュレーションにより,このアルゴリズムは単一集合ブラックスコール方程式のインスタンスを解くことができることを示す。
論文 参考訳(メタデータ) (2023-11-02T18:29:31Z) - Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood
Estimation for Latent Gaussian Models [69.22568644711113]
我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。
理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。
シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
論文 参考訳(メタデータ) (2023-06-05T21:08:34Z) - Variational quantum algorithm for measurement extraction from the
Navier-Stokes, Einstein, Maxwell, B-type, Lin-Tsien, Camassa-Holm, DSW, H-S,
KdV-B, non-homogeneous KdV, generalized KdV, KdV, translational KdV, sKdV,
B-L and Airy equations [0.0]
Lubaschらによる最近の進歩は、Schrodinger方程式とInviscid Burgers方程式の解の読み出しを提供する。
我々は、新しい変分量子アルゴリズムが他のPDEの解を確実に生成できる、さらなる計算可能性について分析する。
論文 参考訳(メタデータ) (2022-09-16T04:44:19Z) - D-CIPHER: Discovery of Closed-form Partial Differential Equations [80.46395274587098]
D-CIPHERは人工物の測定に頑健であり、微分方程式の新しい、非常に一般的なクラスを発見できる。
さらに,D-CIPHERを効率的に探索するための新しい最適化手法であるCoLLieを設計する。
論文 参考訳(メタデータ) (2022-06-21T17:59:20Z) - Quantum Model-Discovery [19.90246111091863]
微分方程式を解くための量子アルゴリズムは、フォールトトレラントな量子コンピューティングシステムにおいて証明可能な優位性を示している。
我々は、短期量子コンピュータの適用性を、より一般的な科学的な機械学習タスクに拡張する。
本結果は,古典的および量子機械学習アプローチのインターフェースにおける量子モデル探索(QMoD)への有望な経路を示す。
論文 参考訳(メタデータ) (2021-11-11T18:45:52Z) - A variational quantum algorithm for the Feynman-Kac formula [0.6116681488656472]
本稿では,Feynman-Kac偏微分方程式を解くための変分量子想像時間進化に基づくアルゴリズムを提案する。
古典的手法と量子変分法との間には、6 と 8 のキュービットの例を示す顕著な一致が見られる。
定量的ファイナンスやその他のPDE分野における今後の研究課題についても論じる。
論文 参考訳(メタデータ) (2021-08-24T17:14:47Z) - On the properties of the asymptotic incompatibility measure in
multiparameter quantum estimation [62.997667081978825]
Incompatibility (AI) は、ホレヴォとSLDスカラー境界の差を定量化する尺度である。
最大AI量は、$mu_sf min = 1/(d-1)$より大きい純度で特徴づけられる量子統計モデルに対してのみ達成可能であることを示す。
論文 参考訳(メタデータ) (2021-07-28T15:16:37Z) - Quantum Algorithms for Data Representation and Analysis [68.754953879193]
機械学習におけるデータ表現のための固有problemsの解を高速化する量子手続きを提供する。
これらのサブルーチンのパワーと実用性は、主成分分析、対応解析、潜在意味解析のための入力行列の大きさのサブ線形量子アルゴリズムによって示される。
その結果、入力のサイズに依存しない実行時のパラメータは妥当であり、計算モデル上の誤差が小さいことが示され、競合的な分類性能が得られる。
論文 参考訳(メタデータ) (2021-04-19T00:41:43Z) - Solving Differential Equations via Continuous-Variable Quantum Computers [0.0]
連続次元(CV)量子コンピュータが古典的な微分方程式を解く方法を探り、その自然能力を利用してクォーモッド内の実数を表現する。
PennyLane/Strawberry Fieldsフレームワークを用いたシミュレーションとパラメータ最適化により,線形および非線形のODEが良好であることを示す。
論文 参考訳(メタデータ) (2020-12-22T18:06:12Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳(メタデータ) (2020-09-08T13:26:51Z)
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。