Fugu-MT 論文翻訳(概要): Analysis of Higher-Order Ising Hamiltonians

論文の概要: Analysis of Higher-Order Ising Hamiltonians

arxiv url: http://arxiv.org/abs/2412.13489v1
Date: Wed, 18 Dec 2024 04:15:11 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-19 16:48:37.998255
Title: Analysis of Higher-Order Ising Hamiltonians
Title（参考訳）: 高次イジング・ハミルトン群の解析
Authors: Yunuo Cen, Zhiwei Zhang, Zixuan Wang, Yimin Wang, Xuanyao Fong,
Abstract要約: 本研究は,高階IsingシミュレータIsingSimの理論的枠組みを提案する。イジングシムのイジングスピンと勾配は分離され自己分解可能である。実験結果から,本フレームワークは高次Isingマシンの設計ガイドラインを提供する上で有用なツールであることがわかった。
参考スコア（独自算出の注目度）: 10.201043540109142
License:
Abstract: It is challenging to scale Ising machines for industrial-level problems due to algorithm or hardware limitations. Although higher-order Ising models provide a more compact encoding, they are, however, hard to physically implement. This work proposes a theoretical framework of a higher-order Ising simulator, IsingSim. The Ising spins and gradients in IsingSim are decoupled and self-customizable. We significantly accelerate the simulation speed via a bidirectional approach for differentiating the hyperedge functions. Our proof-of-concept implementation verifies the theoretical framework by simulating the Ising spins with exact and approximate gradients. Experiment results show that our novel framework can be a useful tool for providing design guidelines for higher-order Ising machines.
Abstract（参考訳）: アルゴリズムやハードウェアの制限により、産業レベルの問題に対してIsingマシンをスケールすることは困難である。高階Isingモデルはよりコンパクトなエンコーディングを提供するが、物理的に実装するのは困難である。本研究は,高階IsingシミュレータIsingSimの理論的枠組みを提案する。イジングシムのイジングスピンと勾配は分離され自己分解可能である。ハイパーエッジ関数の微分のための双方向アプローチによりシミュレーション速度を著しく高速化する。我々の概念実証実装は、イジングスピンを正確に近似的な勾配でシミュレートすることで理論的枠組みを検証する。実験結果から,本フレームワークは高次Isingマシンの設計ガイドラインを提供する上で有用なツールであることがわかった。

関連論文リスト

Promises and Pitfalls of Generative Masked Language Modeling: Theoretical Framework and Practical Guidelines [74.42485647685272]
GMLM(Generative Masked Language Models)に焦点を当てる。我々は,マルコフ連鎖の入力として使用されるマスキングにより,データ分布の条件付き確率に適合するモデルを訓練し,モデルからサンプルを抽出する。我々は,T5モデルを並列デコーディングに適応させ,最小品質の犠牲を伴って機械翻訳における2～3倍の高速化を実現した。
論文参考訳（メタデータ） (2024-07-22T18:00:00Z)
Enhancing Low-Order Discontinuous Galerkin Methods with Neural Ordinary Differential Equations for Compressible Navier--Stokes Equations [0.18648070031379424]
計算コストを削減するために、サブグリッドスケールモデルで低忠実度モデルを実行するのが一般的である。ニューラル常微分演算子によって拡張された偏微分方程式をシミュレートする際のサブグリッドスケールモデル効果の学習法を提案する。提案手法は,低次DGソルバの欠落スケールを連続的に学習し,低次DG近似の精度を向上させる。
論文参考訳（メタデータ） (2023-10-29T04:26:23Z)
Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文参考訳（メタデータ） (2023-10-12T20:49:15Z)
Conic Descent Redux for Memory-Efficient Optimization [48.908966673827734]
円錐型プログラミングは、信号処理と機械学習タスクの多用において、十分に文書化された利点がある。このコントリビューションは、最近開発された1次円錐降下(CD)ソルバを再検討し、直観、理論、アルゴリズム実装の3つの側面でそれを前進させる。
論文参考訳（メタデータ） (2023-08-13T13:29:41Z)
Min-Max Optimization under Delays [26.830212508878162]
大規模な機械学習問題では遅延と非同期は避けられない。 min-max最適化に類似した理論は存在しない。たとえ小さな遅延であっても、エクストラグラディエントのような顕著なアルゴリズムが分岐する可能性があることを示す。
論文参考訳（メタデータ） (2023-07-13T16:39:01Z)
Softmax-free Linear Transformers [90.83157268265654]
視覚変換器(ViT)は、視覚知覚タスクの最先端を推し進めている。既存の手法は理論的に欠陥があるか、視覚認識に経験的に効果がないかのいずれかである。我々はSoftmax-Free Transformers (SOFT) のファミリーを提案する。
論文参考訳（メタデータ） (2022-07-05T03:08:27Z)
DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools [96.38972082580294]
DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
論文参考訳（メタデータ） (2022-03-31T17:59:38Z)
Compiler-Driven Simulation of Reconfigurable Hardware Accelerators [0.8807375890824978]
既存のシミュレータは、RTLシミュレーションのような低レベルのアプローチと一般的なアプローチの2つの極端である。本研究は,ハードウェアアクセラレータをモデル化可能なコンパイラ駆動シミュレーションワークフローを提案する。
論文参考訳（メタデータ） (2022-02-01T20:31:04Z)
Constraint-based graph network simulator [9.462808515258464]
制約に基づく学習シミュレーションのためのフレームワークを提案する。本稿では,制約関数としてグラフニューラルネットワークを用い,勾配降下を制約解として実装する。我々のモデルは、トップラーニングシミュレータよりも優れた、あるいは同等のパフォーマンスを達成します。
論文参考訳（メタデータ） (2021-12-16T19:15:11Z)
PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
論文参考訳（メタデータ） (2021-04-07T17:59:23Z)
High-order Differentiable Autoencoder for Nonlinear Model Reduction [29.296661974901976]
本稿では,深層ニューラルネットワークを活用した物理シミュレーション手法を提案する。古典ラグランジアン力学と深いオートエンコーダを統合し,変形可能な固体の弾性シミュレーションを高速化する。
論文参考訳（メタデータ） (2021-02-19T02:30:14Z)

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。