Fugu-MT 論文翻訳(概要): A Fast and Stable Marginal-Likelihood Calibration Method with Application to Quantum Characterization

論文の概要: A Fast and Stable Marginal-Likelihood Calibration Method with Application to Quantum Characterization

arxiv url: http://arxiv.org/abs/2308.12552v2
Date: Mon, 09 Dec 2024 17:08:50 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-10 14:47:32.056926
Title: A Fast and Stable Marginal-Likelihood Calibration Method with Application to Quantum Characterization
Title（参考訳）: 高速かつ安定なMarginal-Likelihoodキャリブレーション法と量子特性評価への応用
Authors: Mohammad Motamed, N. Anders Petersson,
Abstract要約: 我々はケネディ・オハガン(KOH)ベイズ的枠組みに統合された限界的可能性戦略を提案する。提案手法は,大規模データセットにおいても,計算効率が高く,数値的に安定である。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We present a marginal likelihood strategy integrated into the Kennedy-O'Hagan (KOH) Bayesian framework, where a Gaussian process serves as a prior for model discrepancy. The proposed method is both computationally efficient and numerically stable, even in large dataset regimes where the likelihood function approaches degeneracy. Applied to the characterization of a super-conducting quantum device at Lawrence Livermore National Laboratory, the approach enhances the predictive accuracy of the Lindblad master equations for modeling Ramsey measurement data by effectively quantifying uncertainties consistent with the quantum data
Abstract（参考訳）: 我々は、Kerkin-O'Hagan (KOH) Bayesian frameworkに統合された限界的可能性戦略を提示する。提案手法は,確率関数が縮退に近づいた大規模データセットにおいても,計算効率が高く,数値的に安定である。ローレンス・リバモア国立研究所(Lawrence Livermore National Laboratory)における超超電導量子デバイスの特性評価に応用して、このアプローチは、量子データと整合した不確実性を効果的に定量化することにより、ラムゼー測定データをモデル化するためのリンドブラッドマスター方程式の予測精度を高める。

関連論文リスト

QuaCK-TSF: Quantum-Classical Kernelized Time Series Forecasting [7.945302052915863]
本稿では,このベイズ手法のロバスト性と,量子モデルにおけるカーネル・パースペクティブから得られるニュアンスド・インサイトとを融合した新しいアプローチを提案する。我々はIsingの相互作用にインスパイアされた量子特徴写像を組み込み、正確な予測に不可欠な時間的依存関係のキャプチャーの有効性を実証する。
論文参考訳（メタデータ） (2024-08-21T21:39:31Z)
Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文参考訳（メタデータ） (2023-10-20T10:20:45Z)
Uncertainty Disentanglement with Non-stationary Heteroscedastic Gaussian Processes for Active Learning [10.757942829334057]
勾配に基づく手法で学習可能な非定常ヘテロセダスティックガウス過程モデルを提案する。提案手法は, 全体的な不確かさを, アレタリック(非再現性)とてんかん(モデル)の不確実性に分離することにより, モデルの解釈可能性を示す。
論文参考訳（メタデータ） (2022-10-20T02:18:19Z)
A General Framework for quantifying Aleatoric and Epistemic uncertainty in Graph Neural Networks [0.29494468099506893]
Graph Neural Networks(GNN)は、グラフ理論と機械学習をエレガントに統合する強力なフレームワークを提供する。本稿では,モデル誤差と測定の不確かさからGNNの予測の不確かさを定量化する問題を考察する。ベイジアンフレームワークにおける両源の不確実性を扱うための統一的なアプローチを提案する。
論文参考訳（メタデータ） (2022-05-20T05:25:40Z)
Fermionic approach to variational quantum simulation of Kitaev spin models [50.92854230325576]
キタエフスピンモデルは、自由フェルミオンへの写像を通じて、あるパラメータ状態において正確に解けることで知られている。古典的なシミュレーションを用いて、このフェルミオン表現を利用する新しい変分アンザッツを探索する。また、量子コンピュータ上での非アベリアオンをシミュレートするための結果の意味についてもコメントする。
論文参考訳（メタデータ） (2022-04-11T18:00:01Z)
Flow-based sampling in the lattice Schwinger model at criticality [54.48885403692739]
フローベースアルゴリズムは、格子場理論への応用のためのフィールド分布の効率的なサンプリングを提供することができる。フェルミオン質量の臨界値におけるシュウィンガーモデルにおけるロバストな流れに基づくサンプリングの数値的な実演を行う。
論文参考訳（メタデータ） (2022-02-23T19:00:00Z)
Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文参考訳（メタデータ） (2021-11-22T08:54:10Z)
Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文参考訳（メタデータ） (2021-11-02T12:33:42Z)
Quantifying Model Predictive Uncertainty with Perturbation Theory [21.591460685054546]
本稿では,ニューラルネットワークの予測不確実性定量化のためのフレームワークを提案する。量子物理学の摂動理論を用いてモーメント分解問題を定式化する。我々の手法は、より高精度でキャリブレーションの高い高速なモデル予測不確実性推定を提供する。
論文参考訳（メタデータ） (2021-09-22T17:55:09Z)
Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文参考訳（メタデータ） (2021-02-12T12:23:13Z)
Towards a Kernel based Uncertainty Decomposition Framework for Data and Models [20.348825818435767]
本稿では,データとモデルの両方において予測の不確実性を定量化する新しいフレームワークを提案する。我々は,このフレームワークを,点予測ニューラルネットワークモデルの予測不確実性定量化のためのサロゲートツールとして応用する。
論文参考訳（メタデータ） (2020-01-30T18:35:36Z)

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。