Fugu-MT 論文翻訳(概要): Thermodynamics-Inspired Computing with Oscillatory Neural Networks for Inverse Matrix Computation

論文の概要: Thermodynamics-Inspired Computing with Oscillatory Neural Networks for Inverse Matrix Computation

arxiv url: http://arxiv.org/abs/2507.22544v1
Date: Wed, 30 Jul 2025 10:16:55 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-31 16:14:18.141619
Title: Thermodynamics-Inspired Computing with Oscillatory Neural Networks for Inverse Matrix Computation
Title（参考訳）: 逆行列計算のための振動型ニューラルネットワークを用いた熱力学駆動型計算
Authors: George Tsormpatzoglou, Filip Sabo, Aida Todri-Sanial,
Abstract要約: ONNは複雑な最適化問題に取り組むためのIsingマシンとして広く研究されている。本研究では、線形代数問題、特に逆行列の解法におけるそれらの実現可能性について検討する。
参考スコア（独自算出の注目度）: 0.4887814315732678
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We describe a thermodynamic-inspired computing paradigm based on oscillatory neural networks (ONNs). While ONNs have been widely studied as Ising machines for tackling complex combinatorial optimization problems, this work investigates their feasibility in solving linear algebra problems, specifically the inverse matrix. Grounded in thermodynamic principles, we analytically demonstrate that the linear approximation of the coupled Kuramoto oscillator model leads to the inverse matrix solution. Numerical simulations validate the theoretical framework, and we examine the parameter regimes that computation has the highest accuracy.
Abstract（参考訳）: 本稿では, 発振ニューラルネットワーク(ONN)に基づく熱力学に着想を得た計算パラダイムについて述べる。 ONNは複雑な組合せ最適化問題に取り組むためのIsingマシンとして広く研究されているが、この研究は線形代数問題、特に逆行列の解法の可能性について研究している。熱力学の原理を基礎として、結合された倉本振動子の線形近似が逆行列解に導かれることを解析的に実証した。数値シミュレーションにより理論の枠組みを検証し,計算の精度が最も高いパラメータ条件について検討する。

関連論文リスト

Maximum-likelihood Estimators in Physics-Informed Neural Networks for High-dimensional Inverse Problems [0.0]
物理インフォームドニューラルネットワーク(PINN)は、逆常微分方程式(ODE)と偏微分方程式(PDE)を解くのに適した数学的足場を証明した。本研究では,逆PINNを最大自由度推定器(MLE)でフレーム化して,テイラー展開による物理モデル空間への明示的な誤差伝搬を可能にすることを実証する。
論文参考訳（メタデータ） (2023-04-12T17:15:07Z)
Linear combination of Hamiltonian simulation for nonunitary dynamics with optimal state preparation cost [8.181184006712785]
ハミルトンシミュレーション問題の線形結合として,非単位力学の一般クラスをシミュレーションする簡単な方法を提案する。また,全てのパラメータにほぼ最適に依存した複素吸収ポテンシャル法によるオープン量子力学シミュレーションの応用を実証した。
論文参考訳（メタデータ） (2023-03-02T07:37:54Z)
On the application of Sylvester's law of inertia to QUBO formulations for systems of linear equations [0.2538209532048866]
我々はSylvesterの慣性則を適用して線形方程式系のQUBO定式化を開発する。提案アルゴリズムは,量子コンピュータ上での線形方程式の高次元系を効果的に実装できることを期待する。
論文参考訳（メタデータ） (2021-11-19T07:55:10Z)
On the application of matrix congruence to QUBO formulations for systems of linear equations [0.505645669728935]
量子コンピューティングアルゴリズムの最近の研究は、計算モデルの強化に寄与する可能性がある量子コンピュータの特徴の発掘に焦点を当てている。本稿では,実対称行列と対角行列との合同を利用して線形方程式系の2次非制約二元最適化(QUBO)を単純化する。さらに、QRやSVD分解などの古典的アルゴリズムよりも優れた性能を持つQUBOモデルの計算性能を示す。
論文参考訳（メタデータ） (2021-11-01T07:52:01Z)
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)
Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
論文参考訳（メタデータ） (2021-04-01T19:06:00Z)
Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。新規な構造化融合正規化に基づく一般グラフ推定器を提案する。提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文参考訳（メタデータ） (2021-03-05T04:42:32Z)
Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文参考訳（メタデータ） (2020-07-02T17:55:47Z)
Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。