論文の概要: L0-regularized compressed sensing with Mean-field Coherent Ising Machines

• arxiv url: http://arxiv.org/abs/2405.00366v2
• Date: Mon, 17 Jun 2024 12:36:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-19 04:38:09.490591
• Title: L0-regularized compressed sensing with Mean-field Coherent Ising Machines
• Title（参考訳）: 平均場コヒーレントイジングマシンを用いたL0規則化圧縮センシング
• Authors: Mastiyage Don Sudeera Hasaranga Gunathilaka, Yoshitaka Inui, Satoshi Kako, Kazushi Mimura, Masato Okada, Yoshihisa Yamamoto, Toru Aonishi,
• Abstract要約: 量子ノイズを伴わない物理学的な解法である平均場CIMモデルを提案する。 以上の結果から, 提案手法は, 人工磁気共鳴画像データと磁気共鳴画像データの両方において, 物理的に高精度なSDEと類似した性能を有することが明らかとなった。
• 参考スコア（独自算出の注目度）: 0.8292466835099597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coherent Ising Machine (CIM) is a network of optical parametric oscillators that solves combinatorial optimization problems by finding the ground state of an Ising Hamiltonian. As a practical application of CIM, Aonishi et al. proposed a quantum-classical hybrid system to solve optimization problems of L0-regularization-based compressed sensing (L0RBCS). Gunathilaka et al. has further enhanced the accuracy of the system. However, the computationally expensive CIM's stochastic differential equations (SDEs) limit the use of digital hardware implementations. As an alternative to Gunathilaka et al.'s CIM SDEs used previously, we propose using the mean-field CIM (MF-CIM) model, which is a physics-inspired heuristic solver without quantum noise. MF-CIM surmounts the high computational cost due to the simple nature of the differential equations (DEs). Furthermore, our results indicate that the proposed model has similar performance to physically accurate SDEs in both artificial and magnetic resonance imaging data, paving the way for implementing CIM-based L0RBCS on digital hardware such as Field Programmable Gate Arrays (FPGAs).
• Abstract（参考訳）: コヒーレントイジングマシン(Coherent Ising Machine, CIM)は、イジング・ハミルトンの基底状態を見つけることで組合せ最適化問題を解決する光学パラメトリック発振器のネットワークである。 CIMの実用化として、AonishiらはL0規則化に基づく圧縮センシング(L0RBCS)の最適化問題を解決するために量子古典ハイブリッドシステムを提案した。 Gunathilakaらはシステムの精度をさらに高めた。 しかし、計算コストのかかるCIMの確率微分方程式(SDE)は、デジタルハードウェアの実装の使用を制限する。 我々は,GunathilakaらのCIM SDEの代替として,量子ノイズのない物理学的なヒューリスティック解法である平均場CIM(MF-CIM)モデルを提案する。 MF-CIMは微分方程式(DE)の単純性により計算コストを上回ります。 さらに,提案手法は,CIMベースのL0RBCSをFPGA(Field Programmable Gate Arrays)などのデジタルハードウェア上で実装する方法として,人工的および磁気共鳴画像データの両方において,物理的に正確なSDEと類似した性能を有することを示す。

関連論文リスト

• Encoding arbitrary Ising Hamiltonians on Spatial Photonic Ising Machines [0.0]
  本研究では,完全な相互作用行列を直接制御できるSPIMインスタンスを導入,実験的に検証する。 実験によって測定されたIsingエネルギーと理論的な期待値との整合性を実証し、未重み付きグラフ問題と重み付きグラフ問題の両方を解決する。 本手法は,システム固有の利点を犠牲にすることなく,実世界のアプリケーションに適用可能なSPIMを大幅に拡張する。
  論文  参考訳（メタデータ） (2024-07-12T10:54:07Z)
• Neural-Integrated Meshfree (NIM) Method: A differentiable programming-based hybrid solver for computational mechanics [1.7132914341329852]
  本稿では、計算力学の分野における微分可能なプログラミングに基づくハイブリッドメッシュフリーアプローチである、ニューラル積分メッシュフリー(NIM)手法を提案する。 NIMは、従来の物理ベースのメッシュフリーな離散化技術とディープラーニングアーキテクチャをシームレスに統合する。 NIM フレームワークでは,強い形式ベース NIM (S-NIM) と局所変動形式ベース NIM (V-NIM) の2つの真のメッシュフリーな解法を提案する。
  論文  参考訳（メタデータ） (2023-11-21T17:57:12Z)
• Mean-field Coherent Ising Machines with artificial Zeeman terms [0.0]
  本稿では,平均場CIMモデルにおけるゼーマン項の効率的な実装に着目する。 フィールドプログラマブルゲートアレイ(FPGA)や大規模シミュレーションの実装に適している。
  論文  参考訳（メタデータ） (2023-09-07T23:14:10Z)
• An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
  本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。 新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。 導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• NAG-GS: Semi-Implicit, Accelerated and Robust Stochastic Optimizer [45.47667026025716]
  2つの重要な要素に依存した、新しく、堅牢で、加速された反復を提案する。 NAG-GSと呼ばれる手法の収束と安定性は、まず広範に研究されている。 我々は、NAG-arityが、重量減衰を伴う運動量SGDや機械学習モデルのトレーニングのためのAdamWといった最先端の手法と競合していることを示す。
  論文  参考訳（メタデータ） (2022-09-29T16:54:53Z)
• Automatic and effective discovery of quantum kernels [43.702574335089736]
  量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。 本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,異なるアプローチを提案する。 その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
  論文  参考訳（メタデータ） (2022-09-22T16:42:14Z)
• Deep Physics Corrector: A physics enhanced deep learning architecture for solving stochastic differential equations [0.0]
  微分方程式(SDE)によって制御される物理系に対する新しいグレーボックスモデリングアルゴリズムを提案する。 提案手法はDeep Physics Corrector(DPC)と呼ばれ、SDEとDeep Neural Network(DNN)で表される近似物理学をブレンドする。 本論文では,本論文の4つのベンチマーク例について,提案したDPCの性能について述べる。
  論文  参考訳（メタデータ） (2022-09-20T14:30:07Z)
• Adiabatic Quantum Computing for Multi Object Tracking [170.8716555363907]
  マルチオブジェクト追跡(MOT)は、オブジェクト検出が時間を通して関連付けられているトラッキング・バイ・検出のパラダイムにおいて、最もよくアプローチされる。 これらの最適化問題はNPハードであるため、現在のハードウェア上の小さなインスタンスに対してのみ正確に解決できる。 本手法は,既成整数計画法を用いても,最先端の最適化手法と競合することを示す。
  論文  参考訳（メタデータ） (2022-02-17T18:59:20Z)
• L0 regularization-based compressed sensing with quantum-classical hybrid approach [2.2710740436620314]
  本稿では,量子マシンと古典デジタルプロセッサからなる量子古典ハイブリッドシステムを提案する。 実際の状況において,L1-RBCSの推定精度を超えうることを示す。
  論文  参考訳（メタデータ） (2021-02-22T23:33:19Z)
• 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)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)

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。