論文の概要: Understanding and eliminating spurious modes in variational Monte Carlo
using collective variables
- arxiv url: http://arxiv.org/abs/2211.09767v1
- Date: Fri, 11 Nov 2022 20:13:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 13:31:23.797442
- Title: Understanding and eliminating spurious modes in variational Monte Carlo
using collective variables
- Title（参考訳）: 集合変数を用いた変分モンテカルロのスプリアスモードの理解と除去
- Authors: Huan Zhang, Robert J. Webber, Michael Lindsey, Timothy C. Berkelbach,
and Jonathan Weare
- Abstract要約: 集合変数に基づくペナル化は、より堅牢なトレーニング手順をもたらすことを示す。
ペナル化方式は実装が安く、特定のモデルに特化していないため、VMCの他のアプリケーションにも拡張することができる。
- 参考スコア（独自算出の注目度）: 6.389320429740539
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The use of neural network parametrizations to represent the ground state in
variational Monte Carlo (VMC) calculations has generated intense interest in
recent years. However, as we demonstrate in the context of the periodic
Heisenberg spin chain, this approach can produce unreliable wave function
approximations. One of the most obvious signs of failure is the occurrence of
random, persistent spikes in the energy estimate during training. These energy
spikes are caused by regions of configuration space that are over-represented
by the wave function density, which are called ``spurious modes'' in the
machine learning literature. After exploring these spurious modes in detail, we
demonstrate that a collective-variable-based penalization yields a
substantially more robust training procedure, preventing the formation of
spurious modes and improving the accuracy of energy estimates. Because the
penalization scheme is cheap to implement and is not specific to the particular
model studied here, it can be extended to other applications of VMC where a
reasonable choice of collective variable is available.
- Abstract（参考訳）: 近年,変分モンテカルロ (VMC) 計算における基底状態を表すニューラルネットワークのパラメトリゼーションが注目されている。
しかし、周期的ハイゼンベルクスピン鎖の文脈で示すように、このアプローチは信頼できない波動関数近似を生成することができる。
失敗の最も明白な兆候の1つは、トレーニング中のエネルギー推定におけるランダムで永続的なスパイクの発生である。
これらのエネルギースパイクは、機械学習文学において 'spurious modes' と呼ばれる波動関数密度によって過剰に表現される構成空間の領域によって引き起こされる。
これらのスプリアスモードを詳細に検討した結果、集団変数に基づくペナリゼーションにより、より堅牢なトレーニング手順が得られ、スプリアスモードの形成が防止され、エネルギー推定の精度が向上することが示された。
ペナル化方式は実装が安く、特定のモデルに特化していないため、集団変数の合理的な選択が可能であるVMCの他のアプリケーションにも拡張することができる。
関連論文リスト
- Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - 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) - 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) - On Uncertainty in Deep State Space Models for Model-Based Reinforcement
Learning [21.63642325390798]
RSSMは最適下推定方式を用いており、この推定を用いて訓練されたモデルは、基底真理系のアレター的不確かさを過大評価していることを示す。
そこで本稿では,変分リカレントカルマンネットワーク(VRKN)と呼ばれる,アレタリックおよびてんかんの不確かさをモデル化するための,よく理解されたコンポーネントに基づく代替手法を提案する。
実験の結果,RSSMの代わりにVRKNを用いることで,アレータリック不確実性を適切に把握するタスクのパフォーマンスが向上することがわかった。
論文 参考訳（メタデータ） (2022-10-17T16:59:48Z) - DynaConF: Dynamic Forecasting of Non-Stationary Time Series [4.286546152336783]
非定常条件分布を時間とともにモデル化する新しい手法を提案する。
我々のモデルは、最先端のディープラーニングソリューションよりも定常的でない時系列に適応できることを示します。
論文 参考訳（メタデータ） (2022-09-17T21:40:02Z) - Training Discrete Deep Generative Models via Gapped Straight-Through
Estimator [72.71398034617607]
再サンプリングのオーバーヘッドを伴わずに分散を低減するため, GST (Gapped Straight-Through) 推定器を提案する。
この推定子は、Straight-Through Gumbel-Softmaxの本質的な性質に着想を得たものである。
実験により,提案したGST推定器は,2つの離散的な深部生成モデリングタスクの強いベースラインと比較して,優れた性能を享受できることが示された。
論文 参考訳（メタデータ） (2022-06-15T01:46:05Z) - Dealing with collinearity in large-scale linear system identification
using Bayesian regularization [3.04585143845864]
出力が多くの相関入力の結果である可能性のある大規模線形系と安定系の同定を考察する。
我々は、任意のインパルス応答をゼロ平均ガウス過程の実現としてモデル化するベイズ正規化に基づく戦略を開発する。
次に、コリニアリティに対処し、インパルス応答の後方を効率的に再構築できる新しいマルコフ連鎖モンテカルロスキームを設計する。
論文 参考訳（メタデータ） (2022-03-25T13:11:26Z) - Role of stochastic noise and generalization error in the time
propagation of neural-network quantum states [0.0]
ニューラルネットワーク量子状態(NQS)は、平衡外力学をシミュレートするのに適切な変分アンサッツであることが示されている。
安定かつ正確な時間伝搬は、十分に規則化された変動力学のレギュレーションで達成できることを示す。
論文 参考訳（メタデータ） (2021-05-03T17:55:09Z) - The temporal overfitting problem with applications in wind power curve
modeling [8.057262184815636]
本稿では,時間的過適合問題に対処する新しい手法を提案する。
本稿では,風力エネルギーのパワー曲線モデリングを対象とする。
論文 参考訳（メタデータ） (2020-12-02T17:39:57Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
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。