論文の概要: Neural Importance Resampling: A Practical Sampling Strategy for Neural Quantum States
- arxiv url: http://arxiv.org/abs/2507.20510v1
- Date: Mon, 28 Jul 2025 04:16:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:57.78918
- Title: Neural Importance Resampling: A Practical Sampling Strategy for Neural Quantum States
- Title（参考訳）: ニューラル・コンパタンス・リサンプリング:ニューラル・量子状態の実践的サンプリング戦略
- Authors: Eimantas Ledinauskas, Egidijus Anisimovas,
- Abstract要約: 我々は、重要再サンプリングと個別に訓練された自己回帰的提案ネットワークを組み合わせた新しいサンプリングアルゴリズムであるNeural Importance Resampling(NIR)を紹介する。
我々は,NIRがマルチステートNQSを含む安定かつスケーラブルなトレーニングをサポートし,MCMCや自己回帰的アプローチが直面する問題を軽減できることを実証した。
- 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: Neural quantum states (NQS) have emerged as powerful tools for simulating many-body quantum systems, but their practical use is often hindered by limitations of current sampling techniques. Markov chain Monte Carlo (MCMC) methods suffer from slow mixing and require manual tuning, while autoregressive NQS impose restrictive architectural constraints that complicate the enforcement of symmetries and the construction of determinant-based multi-state wave functions. In this work, we introduce Neural Importance Resampling (NIR), a new sampling algorithm that combines importance resampling with a separately trained autoregressive proposal network. This approach enables efficient and unbiased sampling without constraining the NQS architecture. We demonstrate that NIR supports stable and scalable training, including for multi-state NQS, and mitigates issues faced by MCMC and autoregressive approaches. Numerical experiments on the 2D transverse-field Ising model show that NIR outperforms MCMC in challenging regimes and yields results competitive with density matrix renormalization group (DMRG) methods. Our results establish NIR as a robust alternative for sampling in variational NQS algorithms.
- Abstract（参考訳）: ニューラル量子状態(NQS)は、多体量子システムをシミュレートする強力なツールとして登場したが、現在のサンプリング技術の限界によってその実用性が妨げられていることが多い。
マルコフ連鎖モンテカルロ法(MCMC)は遅い混合に悩まされ、手動チューニングを必要とするが、自己回帰的NQSは対称性の強制と行列ベースの多状態波動関数の構成を複雑にする制約的なアーキテクチャ制約を課す。
本研究では、重要再サンプリングと個別に訓練された自己回帰的提案ネットワークを組み合わせた新しいサンプリングアルゴリズムであるNeural Importance Resampling(NIR)を紹介する。
このアプローチは、NQSアーキテクチャを制約することなく、効率的で偏りのないサンプリングを可能にする。
我々は,NIRがマルチステートNQSを含む安定かつスケーラブルなトレーニングをサポートし,MCMCや自己回帰的アプローチが直面する問題を軽減できることを実証した。
2次元横場イジングモデルの数値実験により、NIRはMCMCを挑戦的な状況で上回り、密度行列再正規化群(DMRG)法と競合する結果が得られることが示された。
提案手法は,NQSアルゴリズムのサンプリングのための頑健な代替手段としてNIRを確立した。
関連論文リスト
- TensoMeta-VQC: A Tensor-Train-Guided Meta-Learning Framework for Robust and Scalable Variational Quantum Computing [60.996803677584424]
TensoMeta-VQCは、VQCの堅牢性とスケーラビリティを大幅に向上させるために設計された、TT誘導型メタラーニングフレームワークである。
我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに完全に委譲し、量子ハードウェアから最適化を効果的に分離する。
論文 参考訳（メタデータ） (2025-08-01T23:37:55Z) - Microcanonical Langevin Ensembles: Advancing the Sampling of Bayesian Neural Networks [4.8767011596635275]
本稿では,最適化からの戦略を活用するアンサンブル手法と,より効率的で堅牢で予測可能なサンプリング性能を実現するためのサンプリング手法を提案する。
最先端のNo-U-Turnサンプルを用いた手法と比較して,本手法は大幅な高速化を実現している。
論文 参考訳（メタデータ） (2025-02-10T10:36:42Z) - Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。
複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。
変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文 参考訳（メタデータ） (2024-12-05T09:41:33Z) - Simulating Non-Markovian Open Quantum Dynamics with Neural Quantum States [9.775774445091516]
我々はディシパトン中の環境記憶を符号化し、ディシパトン埋め込み量子マスター方程式(DQME)を生成する。
結果として得られるNQS-DQMEフレームワークは、多体相関と非マルコフメモリのコンパクトな表現を実現する。
この方法論は、非マルコフ的開量子力学を先取り可能なシステムで探求するための新しい経路を開く。
論文 参考訳（メタデータ） (2024-04-17T06:17:08Z) - High Accuracy Uncertainty-Aware Interatomic Force Modeling with
Equivariant Bayesian Neural Networks [3.028098724882708]
原子間力学習のための新しいモンテカルロマルコフ連鎖サンプリングアルゴリズムを提案する。
さらに、NequIPアーキテクチャに基づくニューラルネットワークモデルを導入し、新しいサンプリングアルゴリズムと組み合わせることで、最先端の精度で予測が得られ、不確実性の優れた指標が得られることを示す。
論文 参考訳（メタデータ） (2023-04-05T10:39:38Z) - Gradient-descent hardware-aware training and deployment for mixed-signal
Neuromorphic processors [2.812395851874055]
混合信号ニューロモルフィックプロセッサはエッジ推論ワークロードに対して極めて低消費電力な演算を提供する。
我々は、混合信号型ニューロモルフィックプロセッサDYNAP-SE2へのスパイキングニューラルネットワーク(SNN)の訓練と展開のための新しい手法を実証する。
論文 参考訳（メタデータ） (2023-03-14T08:56:54Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳（メタデータ） (2022-12-21T19:00:04Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳（メタデータ） (2022-09-01T17:08:41Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳（メタデータ） (2021-11-29T12:24:02Z) - Learning Neural Network Quantum States with the Linear Method [0.0]
本手法は,複雑な値を持つニューラルネットワーク量子状態の最適化に有効であることを示す。
我々は、LMを最先端のSRアルゴリズムと比較し、LMが収束のために最大で1桁の繰り返しを必要とすることを発見した。
論文 参考訳（メタデータ） (2021-04-22T12:18:33Z) - Sampling asymmetric open quantum systems for artificial neural networks [77.34726150561087]
非対称な開系に対する高速収束時間と高いスケーラビリティを実現し,非対称性を考慮したハイブリッドサンプリング戦略を提案する。
我々は、ニューラルネットワークの普遍的適用性を強調し、ニューラルネットワークの普遍的適用性を概説する。
論文 参考訳（メタデータ） (2020-12-20T18:25:29Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳（メタデータ） (2020-11-17T12:52:18Z)
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。