論文の概要: Frustration elimination for effective optical spins in coherent Ising
machines
- arxiv url: http://arxiv.org/abs/2402.15090v1
- Date: Fri, 23 Feb 2024 04:27:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-26 15:38:53.767179
- Title: Frustration elimination for effective optical spins in coherent Ising
machines
- Title(参考訳): コヒーレントアイシングマシンにおける有効光スピンのフラストレーション除去
- Authors: Zheng-Yang Zhou, Clemens Gneiting, J. Q. You, and Franco Nori
- Abstract要約: フラストレーションはスピン系における多くの基本的な性質の複雑さの基盤となる。
コヒーレントイジングマシン (CIM) は有望なアナログ計算手法として提案されている。
フラストレーションのないCIM構成に、Isingモデルがどのようにマッピングできるかを示す。
- 参考スコア(独自算出の注目度): 4.015029887580199
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Frustration, that is, the impossibility to satisfy the energetic preferences
between all spin pairs simultaneously, underlies the complexity of many
fundamental properties in spin systems, including the computational hardness to
determine their ground states. Coherent Ising machines (CIM) have been proposed
as a promising analog computational approach to efficiently find different
degenerate ground states of large and complex Ising models. However, CIMs also
face challenges in solving frustrated Ising models: Frustration not only
reduces the probability to find good solutions, but it also prohibits to
leverage quantum effects in doing so. To circumvent these detrimental effects
of frustration, we show how frustrated Ising models can be mapped to
frustration-free CIM configurations by including ancillary modes and modifying
the coupling protocol used in current CIM designs. In our proposal, degenerate
optical parametric oscillator (DOPO) modes encode the ground state candidates
of the studied Ising model, while the ancillary modes enable the autonomous
transformation to a frustration-free Ising model that preserves the ground
states encoded in the DOPO modes. Such frustration elimination may empower
current CIMs to improve precision and to benefit from quantum effects in
dealing with frustrated Ising models.
- Abstract(参考訳): すなわち、すべてのスピン対間のエネルギー的選好を同時に満たすことができないというフラストレーションは、その基底状態を決定する計算硬度を含むスピン系の多くの基本的な性質の複雑さの根底にある。
コヒーレントイジングマシン(cim)は、大規模で複雑なイジングモデルの異なる退化基底状態を効率的に見つけるための、有望なアナログ計算手法として提案されている。
しかし、CIMはフラストレーションのあるIsingモデルの解決にも課題に直面している: フラストレーションは良い解を見つける確率を減らすだけでなく、それを行う際の量子効果の活用も禁止している。
フラストレーションによるこれらの有害な影響を回避するため, フラストレーションのないIsingモデルが, 現在のCIM設計で用いられる結合プロトコルを改良して, フラストレーションのないCIM構成にどのようにマッピングできるかを示す。
提案では,退化光パラメトリック発振器(dopo)モードは検討したイジングモデルの基底状態候補を符号化し,補助モードはドポモードに符号化された基底状態を保存するフラストレーションフリーイジングモデルへの自律変換を可能にする。
このようなフラストレーション除去は、現在のCIMに精度の向上とフラストレーションのあるイジングモデルを扱う際の量子効果の恩恵を与える可能性がある。
関連論文リスト
- Adversarial Training for Physics-Informed Neural Networks [4.446564162927513]
本稿では,AT-PINN と呼ばれる PINN に対する敵的訓練戦略を提案する。
AT-PINNは、逆サンプルを用いてモデルを微調整することにより、PINNの堅牢性を高める。
我々は,マルチスケール係数の楕円型方程式,マルチピーク解のポアソン方程式,鋭解のバーガース方程式,アレン・カーンの方程式にAT-PINNを実装した。
論文 参考訳(メタデータ) (2023-10-18T08:28:43Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳(メタデータ) (2023-09-02T11:01:16Z) - Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural
Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。
PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。
PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文 参考訳(メタデータ) (2022-10-14T15:01:32Z) - Reduced-PINN: An Integration-Based Physics-Informed Neural Networks for
Stiff ODEs [0.0]
物理インフォームドニューラルネットワーク(PINN)は、最近、前方および逆問題の両方を解決する能力により、多くの注目を集めている。
そこで我々は, PINN の高次積分法を用いて, 硬質化学動力学を解ける新しい PINN アーキテクチャ, Reduced-PINN を提案する。
論文 参考訳(メタデータ) (2022-08-23T09:20:42Z) - Mode Reduction for Markov Jump Systems [8.450188319487989]
マルコフ・ジャンプ・リニア・システム (MJS) は、マルコフ連鎖に従ってアクティブモードが切替される切替システムの特別なクラスである。
教師なし学習のクラスタリング技術にインスパイアされた我々は、より少ないモードで縮小されたMJSを構築することができる。
計算コストを大幅に削減した安定性と設計のコントローラを, MJS の削減にどのように利用できるかを示す。
論文 参考訳(メタデータ) (2022-05-05T15:06:10Z) - 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) - 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) - Characterizing possible failure modes in physics-informed neural
networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。
既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。
これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文 参考訳(メタデータ) (2021-09-02T16:06:45Z) - Online Training of Spiking Recurrent Neural Networks with Phase-Change
Memory Synapses [1.9809266426888898]
専用のニューロモルフィックハードウェア上でのスパイクニューラルネットワーク(RNN)のトレーニングは、依然としてオープンな課題である。
本稿では,PCMデバイスモデルに基づく差分構造アレイのシミュレーションフレームワークを提案する。
我々は,最近提案されたe-prop学習規則を用いて,提案したシミュレーションフレームワークに重みをエミュレートしたスパイクRNNを訓練する。
論文 参考訳(メタデータ) (2021-08-04T01:24:17Z) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳(メタデータ) (2021-06-15T17:22:59Z) - Learning High-Dimensional Distributions with Latent Neural Fokker-Planck
Kernels [67.81799703916563]
低次元潜在空間におけるフォッカー・プランク方程式の解法として問題を定式化する新しい手法を導入する。
提案モデルでは,潜在分散モーフィング,ジェネレータ,パラメータ化Fokker-Planckカーネル関数からなる。
論文 参考訳(メタデータ) (2021-05-10T17:42:01Z)
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。