論文の概要: The Software Landscape for the Density Matrix Renormalization Group

• arxiv url: http://arxiv.org/abs/2506.12629v1
• Date: Sat, 14 Jun 2025 21:12:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.595919
• Title: The Software Landscape for the Density Matrix Renormalization Group
• Title（参考訳）: 密度行列再正規化グループのためのソフトウェアランドスケープ
• Authors: Per Sehlstedt, Jan Brandejs, Paolo Bientinesi, Lars Karlsson,
• Abstract要約: 密度行列再正規化群 (DMRG) アルゴリズムは、量子多体系を研究するための基礎計算法である。 材料科学、量子化学、量子コンピューティングなどの分野に適用可能であるにもかかわらず、多くの独立した実装が開発されている。 このサーベイは急速に拡大するDMRGソフトウェアの世界をマッピングし、35の既存パッケージの機能を包括的に比較した。
• 参考スコア（独自算出の注目度）: 0.7165255458140439
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The density matrix renormalization group (DMRG) algorithm is a cornerstone computational method for studying quantum many-body systems, renowned for its accuracy and adaptability. Despite DMRG's broad applicability across fields such as materials science, quantum chemistry, and quantum computing, numerous independent implementations have been developed. This survey maps the rapidly expanding DMRG software landscape, providing a comprehensive comparison of features among 35 existing packages. We found significant overlap in features among the packages when comparing key aspects, such as parallelism strategies for high-performance computing and symmetry-adapted formulations that enhance efficiency. This overlap suggests opportunities for modularization of common operations, including tensor operations, symmetry representations, and eigensolvers, as the packages are mostly independent and share few third-party library dependencies where functionality is factored out. More widespread modularization and standardization would result in reduced duplication of efforts and improved interoperability. We believe that the proliferation of packages and the current lack of standard interfaces and modularity are more social than technical. We aim to raise awareness of existing packages, guide researchers in finding a suitable package for their needs, and help developers identify opportunities for collaboration, modularity standardization, and optimization. Ultimately, this work emphasizes the value of greater cohesion and modularity, which would benefit DMRG software, allowing these powerful algorithms to tackle more complex and ambitious problems.
• Abstract（参考訳）: 密度行列再正規化群 (DMRG) アルゴリズムは、量子多体系を研究するための基礎的な計算法であり、その精度と適応性で有名である。 DMRGは、材料科学、量子化学、量子コンピューティングなどの分野に適用可能であるにもかかわらず、多くの独立した実装が開発されている。 このサーベイは急速に拡大するDMRGソフトウェアの世界をマッピングし、35の既存パッケージの機能を包括的に比較した。 高速コンピューティングにおける並列処理戦略や,効率を向上する対称性適応型定式化など,主要な側面を比較する際には,パッケージ間に大きな重なりがあることが判明した。 この重複は、テンソル演算、対称性表現、固有解法を含む共通の操作をモジュール化する機会を示唆している。 より広範なモジュール化と標準化により、努力の重複が減少し、相互運用性が向上する。 パッケージの急増と、標準インターフェースとモジュール化の欠如は、技術よりも社会的である、と私たちは信じています。 既存のパッケージに対する認識を高め、研究者がニーズに合ったパッケージを見つけるのをガイドし、開発者がコラボレーションやモジュール化の標準化、最適化の機会を見つけるのを助けることを目的としています。 最終的にこの研究は、より複雑な野心的な問題に対処できるようなDMRGソフトウェアに利益をもたらす、より凝集性とモジュラリティの価値を強調している。

関連論文リスト

• Heterogeneous Group-Based Reinforcement Learning for LLM-based Multi-Agent Systems [25.882461853973897]
  本稿では、相対報酬の利点を推定して政策更新を導くマルチエージェント不均一グループ政策最適化(MHGPO)を提案する。 MHGPOは、批判的ネットワークの必要性を排除し、安定性を向上し、計算オーバーヘッドを減らす。 また,効率性と有効性を両立させる3つのグループロールアウトサンプリング戦略も導入する。
  論文  参考訳（メタデータ） (2025-06-03T10:17:19Z)
• RAG/LLM Augmented Switching Driven Polymorphic Metaheuristic Framework [5.10888539576355]
  Polymorphic Metaheuristic Framework (PMF) は、リアルタイムパフォーマンスフィードバックと動的アルゴリズム選択によって駆動される自己適応型メタヒューリスティックスイッチング機構である。 AIによる意思決定と自己修正メカニズムを統合することで、PMFはスケーラブルでインテリジェントで自律的な最適化フレームワークの道を開いた。
  論文  参考訳（メタデータ） (2025-05-20T01:41:22Z)
• Generative AI Agents with Large Language Model for Satellite Networks via a Mixture of Experts Transmission [74.10928850232717]
  本稿では、モデル定式化のための生成人工知能(AI)エージェントを開発し、送信戦略の設計に専門家(MoE)の混合を適用した。 具体的には,大規模言語モデル(LLM)を活用して対話型モデリングパラダイムを構築する。 定式化問題の解法として, MoE-proximal Policy Optimization (PPO) アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-14T03:44:54Z)
• Scalable Mechanism Design for Multi-Agent Path Finding [87.40027406028425]
  MAPF (Multi-Agent Path Finding) は、複数のエージェントが同時に移動し、与えられた目標地点に向かって共有領域を通って衝突しない経路を決定する。 最適解を見つけることは、しばしば計算不可能であり、近似的な準最適アルゴリズムを用いることが不可欠である。 本稿では、MAPFのスケーラブルな機構設計の問題を紹介し、MAPFアルゴリズムを近似した3つの戦略防御機構を提案する。
  論文  参考訳（メタデータ） (2024-01-30T14:26:04Z)
• Towards Global Optimality in Cooperative MARL with the Transformation And Distillation Framework [26.612749327414335]
  分散実行は協調型マルチエージェント強化学習(MARL)における中核的要求である 本稿では,マルチエージェントポリシー勾配法と値分解法という,分散ポリシを用いた2つの一般的なアルゴリズムのクラスを理論的に解析する。 我々は,TAD-PPO が有限マルチエージェント MDP において最適政策学習を理論的に行うことができることを示す。
  論文  参考訳（メタデータ） (2022-07-12T06:59:13Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)
• Many-Objective Software Remodularization using NSGA-III [17.487053547108516]
  NSGA-IIIを用いた多目的探索手法を提案する。 このプロセスは、パッケージの構造を改善し、変更数を最小化し、セマンティクスの一貫性を保ち、変更の歴史を再利用する最適な再モジュール化ソリューションを見つけることを目的としている。
  論文  参考訳（メタデータ） (2020-05-13T18:34:15Z)
• F2A2: Flexible Fully-decentralized Approximate Actor-critic for Cooperative Multi-agent Reinforcement Learning [110.35516334788687]
  分散マルチエージェント強化学習アルゴリズムは複雑なアプリケーションでは実践的でないことがある。 本稿では,大規模で汎用的なマルチエージェント設定を扱える,柔軟な完全分散型アクター批判型MARLフレームワークを提案する。 当社のフレームワークは,大規模環境におけるスケーラビリティと安定性を実現し,情報伝達を低減できる。
  論文  参考訳（メタデータ） (2020-04-17T14:56:29Z)

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。