論文の概要: Uncertainty in AI-driven Monte Carlo simulations

• arxiv url: http://arxiv.org/abs/2506.14594v1
• Date: Tue, 17 Jun 2025 14:58:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:04.736278
• Title: Uncertainty in AI-driven Monte Carlo simulations
• Title（参考訳）: AI駆動モンテカルロシミュレーションの不確かさ
• Authors: Dimitrios Tzivrailis, Alberto Rosso, Eiji Kawasaki,
• Abstract要約: 我々は,不確実性を定量化し,モンテカルロサンプリングへの影響を軽減するために,PEM(Pinalty Ensemble Method)を提案する。 提案手法では,不確実性の高い地域での拒絶確率を増大させるメトロポリスの受け入れ規則の不確実性を考慮した修正を導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the study of complex systems, evaluating physical observables often requires sampling representative configurations via Monte Carlo techniques. These methods rely on repeated evaluations of the system's energy and force fields, which can become computationally expensive, particularly in the presence of long-range interactions. To accelerate these simulations, deep learning models are increasingly employed as surrogate functions to approximate the energy landscape or force fields. However, such models introduce epistemic uncertainty in their predictions, which may propagate through the sampling process and affect the system's macroscopic behavior. In this work, we present the Penalty Ensemble Method (PEM) to quantify epistemic uncertainty and mitigate its impact on Monte Carlo sampling. Our approach introduces an uncertainty-aware modification of the Metropolis acceptance rule, which increases the rejection probability in regions of high uncertainty, thereby enhancing the reliability of the simulation outcomes.
• Abstract（参考訳）: 複雑な系の研究において、物理観測可能量を評価するにはモンテカルロ法による代表構成のサンプリングが必要となることが多い。 これらの手法はシステムのエネルギーと力場の繰り返し評価に依存しており、特に長距離相互作用の存在下では計算コストがかかる可能性がある。 これらのシミュレーションを加速するために、深層学習モデルはエネルギー景観や力場を近似する代理関数としてますます採用されている。 しかし、これらのモデルは、サンプリングプロセスを通じて伝播し、システムのマクロな振る舞いに影響を与える可能性のある、彼らの予測にエピステマティックな不確実性をもたらす。 本研究では, ペナルティ・アンサンブル法(PEM)を用いて, 疫学的不確実性を定量化し, モンテカルロサンプリングへの影響を緩和する。 提案手法では, 不確実性の高い地域での拒絶確率を高め, シミュレーション結果の信頼性を高めることを目的として, 不確実性を考慮したメトロポリスの受け入れ規則の変更を提案する。

関連論文リスト

• Modeling the unphysical pseudomode model with physical ensembles: simulation, mitigation, and restructuring of non-Markovian quantum noise [0.9549646359252346]
  擬モードモデル自体のアナログまたはデジタル量子シミュレーションの潜在的な利点を考察する。 物理系の計測アンサンブルを用いて非物理的擬態モデルの効果を再現できることを示す。
  論文  参考訳（メタデータ） (2023-11-26T08:56:42Z)
• Unbiasing time-dependent Variational Monte Carlo by projected quantum evolution [44.99833362998488]
  量子系を古典的にシミュレートするためのモンテカルロ変分法(英語版)の精度とサンプルの複雑さを解析する。 時間依存変分モンテカルロ(tVMC)が最もよく用いられるスキームは、体系的な統計的バイアスによって影響を受けることを証明している。 本稿では,各段階における最適化問題の解法に基づく異なるスキームが,そのような問題から解放されていることを示す。
  論文  参考訳（メタデータ） (2023-05-23T17:38:10Z)
• Stochastic Security as a Performance Metric for Quantum-enhanced Generative AI [0.0]
  深部エネルギーベースモデル(EBM)は、トレーニングと推論の両方で連続ドメインギブをサンプリングする必要がある。 量子ギブスサンプリングアルゴリズムを実行できるフォールトトレラントな量子コンピュータの代わりに、モンテカルロ法による拡散過程のシミュレーションを古典的な代替として利用する。 その結果,ギブスサンプリングの計算予算の増大は,モデルのキャリブレーションと対角ロバスト性を両立させることがわかった。
  論文  参考訳（メタデータ） (2023-05-13T17:33:01Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
  本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。 我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
  論文  参考訳（メタデータ） (2021-12-10T11:09:29Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)
• Provable RL with Exogenous Distractors via Multistep Inverse Dynamics [85.52408288789164]
  実世界の強化学習(RL)の応用は、メガピクセルカメラから生成されたような高次元の観察にエージェントが対処する必要がある。 従来の研究は表現学習でこのような問題に対処しており、エージェントは生の観察から内因性、潜伏状態の情報を確実に抽出することができる。 しかし、このような手法は観測において時間的に相関するノイズの存在下では失敗する可能性がある。
  論文  参考訳（メタデータ） (2021-10-17T15:21:27Z)
• Dynamical uncertainty propagation with noisy quantum parameters [0.0]
  我々は不確実性の伝播を直接量子力学のシミュレーションに利用する。 それぞれの不確実性パラメータがシステム力学に与える影響について情報を提供する。 我々は,IBMの量子コンピュータを用いて得られた実験結果と比較した。
  論文  参考訳（メタデータ） (2021-07-23T18:00:02Z)
• Quantum Markov Chain Monte Carlo with Digital Dissipative Dynamics on Quantum Computers [52.77024349608834]
  少数のアンシラ量子ビットを用いて環境との相互作用をシミュレートするデジタル量子アルゴリズムを開発した。 逆イジングモデルの熱状態のシミュレーションによるアルゴリズムの評価を行った。
  論文  参考訳（メタデータ） (2021-03-04T18:21:00Z)
• The effect of chaos on the simulation of quantum critical phenomena in analog quantum simulators [0.0]
  弱い摂動によって導入されたカオスが、アナログ量子シミュレーションの出力の信頼性にどのように影響するかを考察する。 熱力学限界における秩序パラメータの半古典的挙動に着想を得て,基底状態における量子相転移を測定するためのプロトコルを提案する。
  論文  参考訳（メタデータ） (2021-03-03T22:03:43Z)
• Uncertainty estimation for molecular dynamics and sampling [0.0]
  機械学習モデルは、時間を要する電子構造計算をサイドステップする非常に効果的な戦略として登場した。 モデルのトレーニング中に含まれる有限個の参照構造から導かれる誤差を推定することは非常に重要である。 本報告では, 水や液体ガリウムほど多様な構造特性と熱力学特性, システムについて述べる。
  論文  参考訳（メタデータ） (2020-11-10T00:07:50Z)

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。