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 23:11:43.3264
- 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: http://creativecommons.org/licenses/by-nc-sa/4.0/
- 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
- Practical Application of the Quantum Carleman Lattice Boltzmann Method in Industrial CFD Simulations [44.99833362998488]
この研究は、格子ボルツマン法(LBM)に基づくCFDへのハイブリッド量子古典的アプローチの実用的な数値評価を提示する。
本手法は, 異なる境界条件, 周期性, バウンスバック, 移動壁を有する3つのベンチマークケースで評価した。
提案手法の有効性を検証し,10~3ドル程度の誤差忠実度と,実際の量子状態サンプリングに十分な確率を達成できた。
論文 参考訳(メタデータ) (2025-04-17T15:41:48Z) - A sparse PAC-Bayesian approach for high-dimensional quantile prediction [0.0]
本稿では,高次元量子化予測のための確率論的機械学習手法を提案する。
擬似ベイズ的フレームワークとスケールした学生tとランゲヴィン・モンテカルロを併用して効率的な計算を行う。
その効果はシミュレーションや実世界のデータを通じて検証され、そこでは確立された頻繁な手法やベイズ的手法と競合する。
論文 参考訳(メタデータ) (2024-09-03T08:01:01Z) - 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) - Stochastic Marginal Likelihood Gradients using Neural Tangent Kernels [78.6096486885658]
線形化されたラプラス近似に下界を導入する。
これらの境界は漸進的な最適化が可能であり、推定精度と計算複雑性とのトレードオフを可能にする。
論文 参考訳(メタデータ) (2023-06-06T19:02:57Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳(メタデータ) (2023-02-10T08:05:19Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳(メタデータ) (2022-12-12T15:06:32Z) - 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) - Numerically Stable Sparse Gaussian Processes via Minimum Separation
using Cover Trees [57.67528738886731]
誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。
地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
論文 参考訳(メタデータ) (2022-10-14T15:20:17Z) - Compensating for non-linear distortions in controlled quantum systems [0.0]
実験プラットフォームにおける入力フィールドの歪みはモデルの精度を変化させ、予測されたダイナミクスを乱す。
任意の長さと大きさの非線形伝達関数に適した歪みを推定する有効な方法を提案する。
我々は、単一のRydberg原子系の数値的な例に対して、我々のアプローチをうまくテストした。
論文 参考訳(メタデータ) (2022-10-14T14:02:39Z) - 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) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - Robust Interior Point Method for Quantum Key Distribution Rate
Computation [5.43684033059546]
我々は、鍵レート計算問題に対する凸非線形半定値計画(SDP)の安定な再構成を導出する。
本稿では,従来の難解な問題を解くとともに,スピードと精度を劇的に向上させる実験結果について報告する。
論文 参考訳(メタデータ) (2021-04-08T15:49:37Z) - 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) - Efficient qubit phase estimation using adaptive measurements [0.0]
物理系の量子位相を推定することは、量子パラメータ推定理論における中心的な問題である。
量子位相を推定する現在の方法では、量子クラム・ラオ境界に達することができない。
この問題を回避するために,共変量測定に基づく新しい適応方式を提案する。
論文 参考訳(メタデータ) (2020-12-21T02:43:47Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳(メタデータ) (2020-11-14T01:27:32Z) - 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。
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。