Fugu-MT 論文翻訳(概要): A differentiable programming framework for spin models

論文の概要: A differentiable programming framework for spin models

arxiv url: http://arxiv.org/abs/2304.01772v1
Date: Tue, 4 Apr 2023 13:04:21 GMT
ステータス: 処理完了
システム内更新日: 2023-04-05 13:48:24.014196
Title: A differentiable programming framework for spin models
Title（参考訳）: スピンモデルのための微分可能プログラミングフレームワーク
Authors: Tiago de Souza Farias, Vitor Vaz Schultz, Jos\'e Carlos Merino Mombach, Jonas Maziero
Abstract要約: 微分可能プログラミングを用いたスピンシステムのモデリングのための新しいフレームワークを提案する。我々の手法はスピン系を効率的にシミュレートし、複雑なシステムを大規模にモデル化することを可能にする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Spin systems are a powerful tool for modeling a wide range of physical systems. In this paper, we propose a novel framework for modeling spin systems using differentiable programming. Our approach enables us to efficiently simulate spin systems, making it possible to model complex systems at scale. Specifically, we demonstrate the effectiveness of our technique by applying it to three different spin systems: the Ising model, the Potts model, and the Cellular Potts model. Our simulations show that our framework offers significant speedup compared to traditional simulation methods, thanks to its ability to execute code efficiently across different hardware architectures, including Graphical Processing Units and Tensor Processing Units.
Abstract（参考訳）: スピンシステムは、幅広い物理システムをモデリングするための強力なツールである。本稿では,微分可能プログラミングを用いたスピン系モデリングのための新しいフレームワークを提案する。この手法により,スピン系を効率的にシミュレートし,複雑なシステムを大規模にモデル化することができる。具体的には、Isingモデル、Pottsモデル、Cellular Pottsモデルという3つの異なるスピンシステムに適用することで、本手法の有効性を実証する。シミュレーションでは,グラフィカルプロセッシングユニットやテンソルプロセッシングユニットなど,さまざまなハードウェアアーキテクチャで効率的にコードを実行できるため,従来のシミュレーション手法と比較して,我々のフレームワークは大幅に高速化されている。

関連論文リスト

Transferable Post-training via Inverse Value Learning [83.75002867411263]
別個のニューラルネットワーク(すなわち値ネットワーク)を用いた後学習におけるロジットレベルのモデリング変更を提案する。このネットワークをデモを使って小さなベースモデルでトレーニングした後、推論中に他のトレーニング済みモデルとシームレスに統合することができる。得られた値ネットワークは、パラメータサイズの異なる事前学習されたモデル間で広い転送性を有することを示す。
論文参考訳（メタデータ） (2024-10-28T13:48:43Z)
Learnable & Interpretable Model Combination in Dynamic Systems Modeling [0.0]
我々は、通常、どのモデルが組み合わされるかについて議論し、様々な混合方程式に基づくモデルを表現することができるモデルインターフェースを提案する。本稿では,2つの組み合わせモデル間の汎用的な接続を,容易に解釈可能な方法で記述できる新しいワイルドカードトポロジーを提案する。本稿では、2つのモデル間の異なる接続トポロジを学習し、解釈し、比較する。
論文参考訳（メタデータ） (2024-06-12T11:17:11Z)
Learning Modulated Transformation in GANs [69.95217723100413]
生成逆数ネットワーク(GAN)のジェネレータに、変調変換モジュール(Modulated transformation module, MTM)と呼ばれるプラグアンドプレイモジュールを装備する。 MTMは、可変位置で畳み込み操作を適用可能な潜在符号の制御下で空間オフセットを予測する。挑戦的なTaiChiデータセット上での人為的な生成に向けて、StyleGAN3のFIDを21.36から13.60に改善し、変調幾何変換の学習の有効性を実証した。
論文参考訳（メタデータ） (2023-08-29T17:51:22Z)
Generalizable data-driven turbulence closure modeling on unstructured grids with differentiable physics [1.8749305679160366]
本研究では,Navier-Stokes方程式を解くために,有限要素ソルバ内にディープラーニングモデルを埋め込むフレームワークを提案する。後方向きのステップを流れる流れの手法を検証し,その性能を新しい測地で検証する。我々は,GNNに基づくクロージャモデルについて,解法制約付き最適化としてクロージャモデリングを解釈することにより,データ制限シナリオで学習可能であることを示す。
論文参考訳（メタデータ） (2023-07-25T14:27:49Z)
Scaling Pre-trained Language Models to Deeper via Parameter-efficient Architecture [68.13678918660872]
行列積演算子(MPO)に基づくより有能なパラメータ共有アーキテクチャを設計する。 MPO分解はパラメータ行列の情報を再編成し、2つの部分に分解することができる。私たちのアーキテクチャは、モデルのサイズを減らすために、すべてのレイヤで中央テンソルを共有しています。
論文参考訳（メタデータ） (2023-03-27T02:34:09Z)
A unified software/hardware scalable architecture for brain-inspired computing based on self-organizing neural models [6.072718806755325]
我々は、Reentrant SOM(ReSOM)モデルにおいて、自己組織化マップ(SOM)とHebbian学習を関連付ける脳誘発ニューラルモデルを開発した。この研究は、FPGAベースの専用プラットフォーム上でのシミュレーション結果とハードウェア実行の両方を通じて、モデルの分散性とスケーラブル性を実証する。
論文参考訳（メタデータ） (2022-01-06T22:02:19Z)
Differentiable Spline Approximations [48.10988598845873]
微分プログラミングは機械学習のスコープを大幅に強化した。標準的な微分可能なプログラミング手法(autodiffなど)は、通常、機械学習モデルが微分可能であることを要求する。この再設計されたヤコビアンを予測モデルにおける微分可能な「層」の形で活用することで、多様なアプリケーションの性能が向上することを示す。
論文参考訳（メタデータ） (2021-10-04T16:04:46Z)
A Differentiable Newton Euler Algorithm for Multi-body Model Learning [34.558299591341]
我々はニュートン・オイラー方程式を具現化した計算グラフアーキテクチャを動機付けている。本稿では、制約のない物理的プラウジブルダイナミクスを実現するために使用される仮想パラメータについて述べる。従来のホワイトボックスシステム同定手法で要求されるキネマティックパラメータは,データから正確に推定可能であることを示す。
論文参考訳（メタデータ） (2020-10-19T19:30:33Z)
S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
論文参考訳（メタデータ） (2020-07-13T17:44:30Z)
Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。このようなモデルをリアルタイム診断に利用しています。
論文参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。