論文の概要: Neural network quantum state with proximal optimization: a ground-state
searching scheme based on variational Monte Carlo
- arxiv url: http://arxiv.org/abs/2210.16493v1
- Date: Sat, 29 Oct 2022 04:55:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 20:06:42.883698
- Title: Neural network quantum state with proximal optimization: a ground-state
searching scheme based on variational Monte Carlo
- Title（参考訳）: 近似最適化を用いたニューラルネットワーク量子状態:変分モンテカルロに基づく基底状態探索法
- Authors: Feng Chen and Ming Xue
- Abstract要約: 提案手法では, ミスマッチしたサンプルを再利用することで, 複数の更新を可能とした, 近位最適化(PO)を用いた新しい目的関数を提案する。
正方格子上の1次元横フィールドイジングモデルと2次元ハイゼンベルク反強磁性体を用いた基底状態探索のためのVMC-POアルゴリズムの性能について検討する。
- 参考スコア（独自算出の注目度）: 4.772126473623257
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural network quantum states (NQS), incorporating with variational Monte
Carlo (VMC) method, are shown to be a promising way to investigate quantum
many-body physics. Whereas vanilla VMC methods perform one gradient update per
sample, we introduce a novel objective function with proximal optimization (PO)
that enables multiple updates via reusing the mismatched samples. Our VMC-PO
method keeps the advantage of the previous importance sampling gradient
optimization algorithm [L. Yang, {\it et al}, Phys. Rev. Research {\bf 2},
012039(R)(2020)] that efficiently uses sampled states. PO mitigates the
numerical instabilities during network updates, which is similar to stochastic
reconfiguration (SR) methods, but achieves an alternative and simpler implement
with lower computational complexity. We investigate the performance of our
VMC-PO algorithm for ground-state searching with a 1-dimensional
transverse-field Ising model and 2-dimensional Heisenberg antiferromagnet on a
square lattice, and demonstrate that the reached ground-state energies are
comparable to state-of-the-art results.
- Abstract（参考訳）: 変分モンテカルロ法(VMC)を取り入れたニューラルネットワーク量子状態(NQS)は、量子多体物理学を研究するための有望な方法である。
バニラVMC法はサンプル毎に1つの勾配更新を行うのに対し、近位最適化(PO)を備えた新しい目的関数を導入し、ミスマッチしたサンプルを再利用することで複数の更新を可能にする。
我々のVMC-PO法は,従来の重要サンプリング勾配最適化アルゴリズム [L。
Yang, {\it et al}, Phys。
Rev. Research {\bf 2}, 012039(R)(2020)] サンプル状態を効率的に利用する。
POは、確率再構成(SR)法に類似したネットワーク更新時の数値不安定性を緩和するが、計算の複雑さを低減した代替的でシンプルな実装を実現する。
1次元横磁場イジングモデルと2次元ハイゼンベルク反強磁性体を用いた基底状態探索のためのvmc-poアルゴリズムの性能について検討し,到達した基底状態エネルギーが最先端結果に匹敵することを示した。
関連論文リスト
- Paths towards time evolution with larger neural-network quantum states [17.826631514127012]
我々は、傾斜したイジングモデルにおいて、常磁性から反強磁性相への量子クエンチを考える。
両タイプのネットワークに対して、予測時間依存変動モンテカルロ法(p-tVMC)は、非計画的手法よりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2024-06-05T15:32:38Z) - Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。
AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。
AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
論文 参考訳（メタデータ） (2024-03-12T11:48:49Z) - Improving sample efficiency of high dimensional Bayesian optimization
with MCMC [7.241485121318798]
本稿ではマルコフ・チェイン・モンテカルロに基づく新しい手法を提案する。
提案アルゴリズムのMetropolis-HastingsとLangevin Dynamicsの両バージョンは、高次元逐次最適化および強化学習ベンチマークにおいて最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2024-01-05T05:56:42Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - Scalable Imaginary Time Evolution with Neural Network Quantum States [0.0]
ニューラルネットワーク量子状態(NQS)としての量子波関数の表現は、多体量子系の基底状態を見つけるための強力な変分アンサッツを提供する。
我々は、計量テンソルの計算をバイパスするアプローチを導入し、代わりにユークリッド計量を用いた一階降下にのみ依存する。
我々は,NQSのエネルギーが減少するまで最適な時間ステップを決定し,目標を固定し,適応的に安定させる。
論文 参考訳（メタデータ） (2023-07-28T12:26:43Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳（メタデータ） (2022-09-01T17:08:41Z) - Continuous-variable optimization with neural network quantum states [6.791920570692005]
本研究では,連続的な最適化を行うための連続可変ニューラルネットワーク量子状態(CV-NQS)の有用性について検討する。
CV-NQSを用いた変分モンテカルロを用いた数値実験により,非局所的アルゴリズムは局所勾配探索法と競合する基底状態の探索に成功しているが,提案手法は好ましくないスケーリングに悩まされることを示した。
論文 参考訳（メタデータ） (2021-08-06T22:45:09Z) - Rayleigh-Gauss-Newton optimization with enhanced sampling for
variational Monte Carlo [0.0]
変分モンテカルロで用いられる最適化とサンプリング手法を解析する。
パフォーマンスを改善するために変更を導入します。
特に、RGNをエネルギースパイクに対して堅牢にすることができることを示す。
論文 参考訳（メタデータ） (2021-06-19T19:05:52Z) - LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。
フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
論文 参考訳（メタデータ） (2021-03-01T03:10:11Z) - Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。
本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。
本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文 参考訳（メタデータ） (2021-02-04T02:21:08Z)
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。