論文の概要: Spatial-photonic Boltzmann machines: low-rank combinatorial optimization
and statistical learning by spatial light modulation
- arxiv url: http://arxiv.org/abs/2303.14993v1
- Date: Mon, 27 Mar 2023 08:36:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 18:04:57.829784
- Title: Spatial-photonic Boltzmann machines: low-rank combinatorial optimization
and statistical learning by spatial light modulation
- Title(参考訳): 空間フォトニックボルツマンマシン:空間光変調による低ランク組合せ最適化と統計的学習
- Authors: Hiroshi Yamashita, Ken-ichi Okubo, Suguru Shimomura, Yusuke Ogura, Jun
Tanida, Hideyuki Suzuki
- Abstract要約: 空間フォトニックイジングマシン(SPIM)は、空間光変調を利用して大規模な最適化問題を効率的に解決する有望な光学アーキテクチャである。
光学実装を変更することなく任意のIsing問題に対応可能なSPIMの新しい計算モデルを提案する。
- 参考スコア(独自算出の注目度): 0.44040106718326594
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The spatial-photonic Ising machine (SPIM) [D. Pierangeli et al., Phys. Rev.
Lett. 122, 213902 (2019)] is a promising optical architecture utilizing spatial
light modulation for solving large-scale combinatorial optimization problems
efficiently. However, the SPIM can accommodate Ising problems with only
rank-one interaction matrices, which limits its applicability to various
real-world problems. In this Letter, we propose a new computing model for the
SPIM that can accommodate any Ising problem without changing its optical
implementation. The proposed model is particularly efficient for Ising problems
with low-rank interaction matrices, such as knapsack problems. Moreover, the
model acquires learning ability and can thus be termed a spatial-photonic
Boltzmann machine (SPBM). We demonstrate that learning, classification, and
sampling of the MNIST handwritten digit images are achieved efficiently using
SPBMs with low-rank interactions. Thus, the proposed SPBM model exhibits higher
practical applicability to various problems of combinatorial optimization and
statistical learning, without losing the scalability inherent in the SPIM
architecture.
- Abstract(参考訳): 空間フォトニックイジングマシン (SPIM) [D. Pierangeli et al., Phys. Lett. 122, 213902 (2019)] は、空間光変調を利用して、大規模な組合せ最適化問題を効率的に解くための有望な光学アーキテクチャである。
しかし、SPIMは級数1の相互作用行列のみでIsing問題に対応でき、様々な実世界の問題に適用可能である。
本稿では,任意のイジング問題に光学的実装を変更せずに対応可能なspmの新しい計算モデルを提案する。
提案モデルはクナップサック問題のような低位相互作用行列のイジング問題において特に効率的である。
さらに、このモデルは学習能力を獲得し、空間フォトニック・ボルツマン・マシン(SPBM)と呼ばれることができる。
低ランク相互作用を持つSPBMを用いて,MNIST手書き桁画像の学習,分類,サンプリングを効率的に行うことを示す。
そこで,SPBMモデルでは,SPIMアーキテクチャに固有のスケーラビリティを損なうことなく,組合せ最適化と統計的学習の様々な問題に対して高い実用性を示す。
関連論文リスト
- L0-regularized compressed sensing with Mean-field Coherent Ising Machines [0.8292466835099597]
量子ノイズを伴わない物理学的な解法である平均場CIMモデルを提案する。
以上の結果から, 提案手法は, 人工磁気共鳴画像データと磁気共鳴画像データの両方において, 物理的に高精度なSDEと類似した性能を有することが明らかとなった。
論文 参考訳(メタデータ) (2024-05-01T07:43:26Z) - Self-Improved Learning for Scalable Neural Combinatorial Optimization [15.842155380912002]
本研究は、ニューラルネットワーク最適化のスケーラビリティを向上させるための新しい自己改善学習(SIL)手法を提案する。
我々は,ラベル付きデータを使わずに大規模問題インスタンス上での直接モデルトレーニングを可能にする,効率的な自己改善機構を開発した。
さらに,計算モデルに対する線形注意複雑化機構を設計し,オーバヘッドの少ない大規模問題インスタンスを効率的に処理する。
論文 参考訳(メタデータ) (2024-03-28T16:46:53Z) - Transfer learning-assisted inverse modeling in nanophotonics based on
mixture density networks [0.945014381093685]
本稿では,移動学習により強化された混合密度ネットワークモデルに基づくナノフォトニック構造の逆モデリング手法を提案する。
提案手法は,光応答を入力とする設計ソリューションの予測能力を高い精度で保ちながら,伝達学習に基づく手法を用いてこれらの制限を克服することができる。
論文 参考訳(メタデータ) (2024-01-21T09:03:30Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - Interfacing Finite Elements with Deep Neural Operators for Fast
Multiscale Modeling of Mechanics Problems [4.280301926296439]
本研究では,機械学習を用いたマルチスケールモデリングのアイデアを探求し,高コストソルバの効率的なサロゲートとしてニューラル演算子DeepONetを用いる。
DeepONetは、きめ細かい解法から取得したデータを使って、基礎とおそらく未知のスケールのダイナミクスを学習してオフラインでトレーニングされている。
精度とスピードアップを評価するための様々なベンチマークを提示し、特に時間依存問題に対する結合アルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-25T20:46:08Z) - Neural Stochastic Dual Dynamic Programming [99.80617899593526]
我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。
$nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
論文 参考訳(メタデータ) (2021-12-01T22:55:23Z) - Conservative Objective Models for Effective Offline Model-Based
Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。
本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。
COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文 参考訳(メタデータ) (2021-07-14T17:55:28Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳(メタデータ) (2021-07-08T18:01:02Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳(メタデータ) (2021-02-16T06:04:27Z) - Complexity continuum within Ising formulation of NP problems [0.0]
イジング・ハミルトニアンの最小化は、ある相互作用行列類に対するNPハード問題であることが知られている。
我々は、最適化単純度基準で計算学的に単純なインスタンスを特定することを提案する。
このような単純さはスピングラスからk規則の最大カット問題まで幅広いモデルで見られる。
論文 参考訳(メタデータ) (2020-08-02T11:36:38Z) - A Flexible Framework for Designing Trainable Priors with Adaptive
Smoothing and Game Encoding [57.1077544780653]
我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。
グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。
このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
論文 参考訳(メタデータ) (2020-06-26T08:34:54Z)
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。