論文の概要: Efficient algorithms for simulating percolation in photonic fusion
networks
- arxiv url: http://arxiv.org/abs/2312.04639v1
- Date: Thu, 7 Dec 2023 19:00:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-11 17:31:04.622251
- Title: Efficient algorithms for simulating percolation in photonic fusion
networks
- Title(参考訳): フォトニックフュージョンネットワークにおけるパーコレーションの効率的なシミュレーションアルゴリズム
- Authors: Matthias C. L\"obl, Stefano Paesani, Anders S. S{\o}rensen
- Abstract要約: グラフ状態を持つ計測ベースのフォトニック量子コンピューティングに応用できるいくつかの非標準パーコレーションモデルについて考察する。
我々はNewman-Ziffアルゴリズムを改良し,効率的な解析アルゴリズムを開発した。
我々は,これらのアルゴリズムを用いて複数の融合ネットワークを特徴付け,対応するソースコードを提供することで,我々のアルゴリズムを実証する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The study of percolation phenomena has various applications in natural
sciences and, therefore, efficient algorithms have been developed to estimate
the corresponding percolation thresholds. For instance, this applies to the
widely-used bond-site percolation model for which the Newman-Ziff algorithm
enables an efficient simulation. Here, we consider several non-standard
percolation models that have applications in measurement-based photonic quantum
computing with graph states. We focus on prominent architectures where
large-scale graph states are created by fusion networks connecting many small
resource states. We investigate percolation models that provide an estimate of
the tolerance to photon loss in such systems and we develop efficient
algorithms to analyze them through modifications of the Newman-Ziff algorithm.
We consider non-adaptive fusion networks with all fusions being performed at
once, and adaptive ones where fusions are repeated conditioned on the outcome
of previous fusion attempts. We demonstrate our algorithms by using them to
characterize several fusion networks and provide the corresponding source code.
- Abstract(参考訳): パーコレーション現象の研究は自然科学に様々な応用があるため、それに対応するパーコレーション閾値を推定する効率的なアルゴリズムが開発されている。
例えば、これはNewman-Ziffアルゴリズムが効率的なシミュレーションを可能にする広く使われている結合部位パーコレーションモデルに適用できる。
本稿では,グラフ状態を用いた計測に基づくフォトニック量子コンピューティングに適用可能な,非標準パーコレーションモデルについて考察する。
我々は、多数の小さなリソース状態を接続する融合ネットワークによって大規模なグラフ状態が生成される顕著なアーキテクチャに焦点を当てる。
このようなシステムにおける光子損失に対する耐性を推定するパーコレーションモデルを調査し,ニューマン・ジフ法を改良して解析する効率的なアルゴリズムを開発した。
我々は,すべての融合が同時に行われる非適応型核融合ネットワークと,前回の核融合の試みの結果に基づいて核融合が繰り返される適応型核融合ネットワークを考える。
我々は,これらのアルゴリズムを用いて複数の融合ネットワークを特徴付け,対応するソースコードを提供する。
関連論文リスト
- Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。
最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。
データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2024-03-11T06:34:05Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-04T01:47:37Z) - Deep Networks as Denoising Algorithms: Sample-Efficient Learning of
Diffusion Models in High-Dimensional Graphical Models [22.353510613540564]
生成モデルにおけるディープニューラルネットワークによるスコア関数の近似効率について検討する。
楽譜関数はしばしば変分推論法を用いてグラフィカルモデルでよく近似される。
深層ニューラルネットワークによってスコア関数が学習されるとき,拡散に基づく生成モデルに縛られた効率的なサンプル複雑性を提供する。
論文 参考訳(メタデータ) (2023-09-20T15:51:10Z) - Network-GIANT: Fully distributed Newton-type optimization via harmonic
Hessian consensus [2.8617826964327113]
本稿では,GIANTに基づくNewton型完全分散最適化アルゴリズムであるNetwork-GIANTを紹介する。
このアルゴリズムは,強い凸関数と滑らかな損失関数を仮定して,ネットワーク上の厳密解に対する半言語的および指数的収束を保証する。
我々は,Network-DANEやNewton-Raphson Consensusのような最先端の分散学習アルゴリズムに比べて,Network-GIANTの収束性能が優れていることを示す実証的な証拠を提供する。
論文 参考訳(メタデータ) (2023-05-13T11:42:40Z) - Faster Adaptive Federated Learning [84.38913517122619]
フェデレートラーニングは分散データの出現に伴って注目を集めている。
本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
論文 参考訳(メタデータ) (2022-12-02T05:07:50Z) - Faster Adaptive Momentum-Based Federated Methods for Distributed
Composition Optimization [14.579475552088692]
非分散合成問題の解法として,高速なフェデレート合成最適化アルゴリズム(MFCGDとAdaMFCGD)を提案する。
特に、我々の適応アルゴリズム(AdaMFCGD)は、様々な適応学習率を柔軟に組み込むために統一適応行列を使用する。
論文 参考訳(メタデータ) (2022-11-03T15:17:04Z) - Distributed Optimization, Averaging via ADMM, and Network Topology [0.0]
センサローカライゼーションの現実問題において,ネットワークトポロジと異なるアルゴリズムの収束率の関係について検討する。
また、ADMMと持ち上げマルコフ連鎖の間の興味深い関係を示すとともに、その収束を明示的に特徴づける。
論文 参考訳(メタデータ) (2020-09-05T21:44:39Z) - Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。
我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文 参考訳(メタデータ) (2020-07-13T03:27:45Z) - FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity
to Non-IID Data [59.50904660420082]
フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。
クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
論文 参考訳(メタデータ) (2020-05-22T23:07:42Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳(メタデータ) (2020-05-05T18:08:23Z)
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。