Fugu-MT 論文翻訳(概要): Quantum Annealing Enhanced Markov-Chain Monte Carlo

論文の概要: Quantum Annealing Enhanced Markov-Chain Monte Carlo

arxiv url: http://arxiv.org/abs/2502.08060v1
Date: Wed, 12 Feb 2025 01:54:27 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-13 13:47:57.686560
Title: Quantum Annealing Enhanced Markov-Chain Monte Carlo
Title（参考訳）: マルコフ鎖モンテカルロの量子加熱
Authors: Shunta Arai, Tadashi Kadowaki,
Abstract要約: 量子アニール型マルコフ連鎖モンテカルロ(QAEMCMC)を提案する。 QAは、低エネルギー構成を効率的に探索し、局所的なミニマを克服し、高い受理確率で提案状態の生成を可能にする。その結果, スペクトルギャップが大きくなり, エネルギーの収束が早くなり, 経験的分布と目標分布の総変動距離が減少することがわかった。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: In this study, we propose quantum annealing-enhanced Markov Chain Monte Carlo (QAEMCMC), where QA is integrated into the MCMC subroutine. QA efficiently explores low-energy configurations and overcomes local minima, enabling the generation of proposal states with a high acceptance probability. We benchmark QAEMCMC for the Sherrington-Kirkpatrick model and demonstrate its superior performance over the classical MCMC method. Our results reveal larger spectral gaps, faster convergence of energy observables, and reduced total variation distance between the empirical and target distributions. QAEMCMC accelerates MCMC and provides an efficient method for complex systems, paving the way for scalable quantum-assisted sampling strategies.
Abstract（参考訳）: 本研究では,QAをMCMCサブルーチンに統合した量子アニール型マルコフ連鎖モンテカルロ(QAEMCMC)を提案する。 QAは、低エネルギー構成を効率的に探索し、局所的なミニマを克服し、高い受理確率で提案状態の生成を可能にする。シェリントン・カークパトリックモデルのQAEMCMCをベンチマークし,従来のMCMC法よりも優れた性能を示す。その結果, スペクトルギャップが大きくなり, エネルギーの収束が早くなり, 経験的分布と目標分布の総変動距離が減少することがわかった。 QAEMCMCはMCMCを加速し、複雑なシステムの効率的な方法を提供し、スケーラブルな量子アシストサンプリング戦略の道を開く。

関連論文リスト

eQMARL: Entangled Quantum Multi-Agent Reinforcement Learning for Distributed Cooperation over Quantum Channels [98.314893665023]
量子コンピューティングは、マルチエージェント環境における量子絡み合いと協調の潜在的なシナジーを引き起こした。現在の最先端量子MARL(QMARL)の実装は、古典的な情報共有に依存している。 eQMARL(eQMARL)は、量子チャネル上での協調を容易にする分散型アクター批判フレームワークである。
論文参考訳（メタデータ） (2024-05-24T18:43:05Z)
Quantum Dynamical Hamiltonian Monte Carlo [0.0]
機械学習におけるユビキタスな問題は、ログの確率を通してのみアクセス可能な確率分布からサンプリングすることである。我々は、チェインモンテカルロ(MCMC)サンプリングのための有名なハミルトンモンテカルロ法を拡張し、ハイブリッド方式で量子計算を利用する。
論文参考訳（メタデータ） (2024-03-04T07:08:23Z)
Learning Energy-Based Prior Model with Diffusion-Amortized MCMC [89.95629196907082]
非収束短距離MCMCを用いた事前及び後方サンプリングによる潜時空間EMM学習の一般的な実践は、さらなる進歩を妨げている。本稿では,MCMCサンプリングのための単純だが効果的な拡散型アモータイズ手法を導入し,それに基づく潜時空間EMMのための新しい学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2023-10-05T00:23:34Z)
Wasserstein Quantum Monte Carlo: A Novel Approach for Solving the Quantum Many-Body Schr\"odinger Equation [56.9919517199927]
ワーッセルシュタイン量子モンテカルロ (WQMC) はフィッシャー・ラオ計量ではなくワーッセルシュタイン計量によって誘導される勾配流を用いており、テレポートではなく確率質量の輸送に対応する。我々は、WQMCの力学が分子系の基底状態へのより高速な収束をもたらすことを実証的に実証した。
論文参考訳（メタデータ） (2023-07-06T17:54:08Z)
QAOA-MC: Markov chain Monte Carlo enhanced by Quantum Alternating Operator Ansatz [0.6181093777643575]
本稿では,量子交換演算子 Ansatz (QAOA) のモンテカルロへの応用を提案する。この研究は、現在利用可能な量子コンピュータで実用的な量子優位性を実現するための重要なステップである。
論文参考訳（メタデータ） (2023-05-15T16:47:31Z)
A self-consistent field approach for the variational quantum eigensolver: orbital optimization goes adaptive [52.77024349608834]
適応微分組立問題集合型アンザッツ変分固有解法(ADAPTVQE)における自己一貫したフィールドアプローチ(SCF)を提案する。このフレームワークは、短期量子コンピュータ上の化学系の効率的な量子シミュレーションに使用される。
論文参考訳（メタデータ） (2022-12-21T23:15:17Z)
Mitigating Out-of-Distribution Data Density Overestimation in Energy-Based Models [54.06799491319278]
深部エネルギーベースモデル(EBM)は、複雑な分布を学習する能力によって注目されている。 EBMの訓練には、Langevin Monte Carlo (LMC) を用いた最大推定(MLE)を用いることが多い。短周期LCCのMLEが, 誤った密度推定でEMMに収束する理由を考察する。
論文参考訳（メタデータ） (2022-05-30T02:49:17Z)
Overcoming barriers to scalability in variational quantum Monte Carlo [6.41594296153579]
変分量子モンテカルロ法(VQMC)は、多体量子系に固有の次元の呪いを克服する能力により、近年注目されている。 VQMCと変分量子アルゴリズムのハイブリッド量子古典計算パラダイムの間には、近接した並列性が存在する。
論文参考訳（メタデータ） (2021-06-24T20:36:50Z)
Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文参考訳（メタデータ） (2021-02-04T02:21:08Z)
Accelerating MCMC algorithms through Bayesian Deep Networks [7.054093620465401]
マルコフ・チェイン・モンテカルロ(MCMC)アルゴリズムは、複雑な確率分布のサンプリングにおいて、その汎用性のために一般的に用いられる。分布の次元が大きくなるにつれて、サンプリング空間を十分に探索する計算コストが困難になる。マルコフ連鎖の最初の提案としてベイズニューラルネットワークの結果を用いて適応MCMCを実行する方法を示す。
論文参考訳（メタデータ） (2020-11-29T04:29:00Z)
Non-convex Learning via Replica Exchange Stochastic Gradient MCMC [25.47669573608621]
本稿では,適応的複製交換SGMCMC(reSGMCMC)を提案し,バイアスを自動的に補正し,対応する特性について検討する。実験では,様々な設定の広範囲な実験を通じてアルゴリズムを検証し,その結果を得た。
論文参考訳（メタデータ） (2020-08-12T15:02:59Z)

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。