論文の概要: Improving accuracy of tree-tensor network approach by optimization of network structure
- arxiv url: http://arxiv.org/abs/2501.15514v1
- Date: Sun, 26 Jan 2025 13:11:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-28 13:54:05.800512
- Title: Improving accuracy of tree-tensor network approach by optimization of network structure
- Title(参考訳): ネットワーク構造最適化によるツリーテンソルネットワークアプローチの精度向上
- Authors: Toshiya Hikihara, Hiroshi Ueda, Kouichi Okunishi, Kenji Harada, Tomotoshi Nishino,
- Abstract要約: 構造最適化アルゴリズムにおける詳細な更新方式が,その計算精度に与える影響を分析する。
ランダムなXY-exchangeモデルでは,アルゴリズムが精度の向上を実現し,局所的なネットワーク構造を選択するアルゴリズムが顕著に有効であることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Numerical methods based on tensor networks have been extensively explored in the research of quantum many-body systems in recent years. It has been recognized that the ability of tensor networks to describe a quantum many-body state crucially depends on the spatial structure of the network. In the previous work, we proposed an algorithm based on tree tensor networks (TTNs) that automatically optimizes the structure of TTN according to the spatial profile of entanglement in the state of interest. In this paper, we precisely analyze how detailed updating schemes in the structural optimization algorithm affect its computational accuracy for the random XY-exchange model under random magnetic fields and the Richardson model. We then find that for the random XY model, on the one hand, the algorithm achieves improved accuracy, and the stochastic algorithm, which selects the local network structure probabilistically, is notably effective. For the Richardson model, on the other hand, the resulting numerical accuracy subtly depends on the initial TTN and the updating schemes. In particular, the algorithm without the stochastic updating scheme certainly improves the accuracy, while the one with the stochastic updates results in poor accuracy due to the effect of randomizing the network structure at the early stage of the calculation. These results indicate that the algorithm successfully improves the accuracy of the numerical calculations for quantum many-body states, while it is essential to appropriately choose the updating scheme as well as the initial TTN structure, depending on the systems treated.
- Abstract(参考訳): 近年,量子多体系の研究において,テンソルネットワークに基づく数値計算法が広く研究されている。
テンソルネットワークが量子多体状態を記述する能力は、ネットワークの空間構造に大きく依存していることが認識されている。
前報では,関心状態における絡み合いの空間的プロファイルに応じて,TTNの構造を自動的に最適化する,ツリーテンソルネットワーク(TTN)に基づくアルゴリズムを提案する。
本稿では,構造最適化アルゴリズムの詳細な更新方式が,ランダム磁場下でのランダムXY交換モデルとリチャードソンモデルに対して,その計算精度に与える影響を正確に解析する。
ランダムなXYモデルの場合,アルゴリズムは精度を向上し,局所ネットワーク構造を確率的に選択する確率的アルゴリズムは顕著に有効であることがわかった。
一方、リチャードソンモデルでは、結果の数値精度は初期TTNと更新方式に依存している。
特に、確率的更新方式のないアルゴリズムでは精度が向上する一方、確率的更新方式では、計算の初期段階でネットワーク構造をランダム化する効果により、精度が低下する。
これらの結果は, 量子多体状態の数値計算の精度向上に成功し, 処理されたシステムに応じて, 更新方式と初期TTN構造を適切に選択することが重要であることを示している。
関連論文リスト
- An automatic selection of optimal recurrent neural network architecture
for processes dynamics modelling purposes [0.0]
この研究には、ニューラルネットワークアーキテクチャ検索専用のアルゴリズムの提案が4つ含まれている。
アルゴリズムは進化的アルゴリズムや勾配降下法のようなよく知られた最適化手法に基づいている。
この研究は、加圧水型原子炉で発生した高速過程の数学的モデルから生成されたデータに基づく、拡張された検証研究を含む。
論文 参考訳(メタデータ) (2023-09-25T11:06:35Z) - Automatic structural optimization of tree tensor networks [0.0]
そこで本稿では,等距離線を局所的に再接続することで,ネットワーク構造を自動的に最適化するTTNアルゴリズムを提案する。
システムの基底状態に埋め込まれた絡み合い構造を,最適化TTNにおける完全二分木として効率的に可視化できることを実証した。
論文 参考訳(メタデータ) (2022-09-07T14:51:39Z) - Orthogonal Stochastic Configuration Networks with Adaptive Construction
Parameter for Data Analytics [6.940097162264939]
ランダム性により、SCNは冗長で品質の低い近似線形相関ノードを生成する可能性が高まる。
機械学習の基本原理、すなわち、パラメータが少ないモデルでは、一般化が向上する。
本稿では,ネットワーク構造低減のために,低品質な隠れノードをフィルタする直交SCN(OSCN)を提案する。
論文 参考訳(メタデータ) (2022-05-26T07:07:26Z) - Robust Learning of Parsimonious Deep Neural Networks [0.0]
本稿では,ニューラルネットワークにおける無関係構造を識別・排除できる同時学習および刈り取りアルゴリズムを提案する。
最適選択に欠かせないパラメータに対して,新しい超優先度分布を導出する。
我々は,提案アルゴリズムをMNISTデータセット上で評価し,完全連結型および畳み込み型LeNetアーキテクチャを用いた。
論文 参考訳(メタデータ) (2022-05-10T03:38:55Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-05-06T13:18:31Z) - Comparison of Neural Network based Soft Computing Techniques for
Electromagnetic Modeling of a Microstrip Patch Antenna [0.0]
22種類のネットワークとトレーニングアルゴリズムを組み合わせて、矩形マイクロストリップアンテナの寸法を予測する。
また,Reduced Radial Bias Networkは最も正確なネットワークであり,Scaled Conjugate Gradientは電磁モデリングの最も信頼性の高いアルゴリズムである。
論文 参考訳(メタデータ) (2021-09-21T10:08:22Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳(メタデータ) (2021-06-09T08:05:36Z) - Learning Structures for Deep Neural Networks [99.8331363309895]
我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。
スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。
公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
論文 参考訳(メタデータ) (2021-05-27T12:27:24Z) - LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。
フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
論文 参考訳(メタデータ) (2021-03-01T03:10:11Z) - Stochastic batch size for adaptive regularization in deep network
optimization [63.68104397173262]
ディープラーニングフレームワークにおける機械学習問題に適用可能な適応正規化を取り入れた一階最適化アルゴリズムを提案する。
一般的なベンチマークデータセットに適用した従来のネットワークモデルに基づく画像分類タスクを用いて,提案アルゴリズムの有効性を実証的に実証した。
論文 参考訳(メタデータ) (2020-04-14T07:54:53Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2020-04-06T15:51:00Z)
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。