論文の概要: Comparison of D-Wave Quantum Annealing and Markov Chain Monte Carlo for Sampling from a Probability Distribution of a Restricted Boltzmann Machine

• arxiv url: http://arxiv.org/abs/2508.10228v2
• Date: Fri, 15 Aug 2025 14:13:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 12:50:03.115841
• Title: Comparison of D-Wave Quantum Annealing and Markov Chain Monte Carlo for Sampling from a Probability Distribution of a Restricted Boltzmann Machine
• Title（参考訳）: 制限ボルツマンマシンの確率分布からサンプリングするD波量子アニーリングとマルコフチェインモンテカルロの比較
• Authors: Abdelmoula El Yazizi, Samee U. Khan, Yaroslav Koshka,
• Abstract要約: 制限ボルツマンマシン(RBM)のサンプリング品質評価における局所バレー中心のアプローチ 古典的に訓練されたRBMのD-WaveおよびGibsサンプルは、対照的な発散に基づくRBM学習に関連する条件下で得られた。
• 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: A local-valley (LV) centered approach to assessing the quality of sampling from Restricted Boltzmann Machines (RBMs) was applied to the latest generation of the D-Wave quantum annealer. D-Wave and Gibbs samples from a classically trained RBM were obtained at conditions relevant to the contrastive-divergence-based RBM learning. The samples were compared for the number of the LVs to which they belonged and the energy of the corresponding local minima. No significant (desirable) increase in the number of the LVs has been achieved by decreasing the D-Wave annealing time. At any training epoch, the states sampled by the D-Wave belonged to a somewhat higher number of LVs than in the Gibbs sampling. However, many of those LVs found by the two techniques differed. For high-probability sampled states, the two techniques were (unfavorably) less complementary and more overlapping. Nevertheless, many potentially "important" local minima, i.e., those having intermediate, even if not high, probability values, were found by only one of the two sampling techniques while missed by the other. The two techniques overlapped less at later than earlier training epochs, which is precisely the stage of the training when modest improvements to the sampling quality could make meaningful differences for the RBM trainability. The results of this work may explain the failure of previous investigations to achieve substantial (or any) improvement when using D-Wave-based sampling. However, the results reveal some potential for improvement, e.g., using a combined classical-quantum approach.
• Abstract（参考訳）: 制限ボルツマンマシン(RBM)からのサンプリングの質を評価するための局所バレー(LV)アプローチを次世代のD-Wave量子焼鈍器に適用した。 古典的に訓練されたRBMのD-WaveおよびGibsサンプルは、対照的な発散に基づくRBM学習に関連する条件下で得られた。 サンプルは、それらが属するLVの数と対応する局所ミニマのエネルギーを比較した。 D-Waveアニール時間を短縮することで、LVの数が大幅に(望ましくない)増加することはない。 いずれの訓練時代においても、D波によってサンプリングされた状態はギブスサンプリングよりもかなり多くのLVに属していた。 しかし, 2つの手法で検出されたLVの多くは異なっていた。 高い確率のサンプル状態の場合、2つのテクニックは(好ましくは)相補的ではなく、重なり合っていた。 それでも、多くの潜在的に「重要な」局所ミニマ、すなわち、高い確率値がなくても中間値を持つミニマは、2つのサンプリング手法のうちの1つしか見つからなかった。 この2つの手法は以前の訓練エポックよりも遅れて重なり、サンプリング品質の微妙な改善がRBMの訓練容易性に有意義な違いをもたらすと正確に訓練の段階となった。 本研究の結果は, D-Wave を用いたサンプリングにおいて, 実質的な(あるいはそれ以上の)改善が得られなかったことを説明できる。 しかし、この結果は、例えば古典量子と組み合わせたアプローチによる改善の可能性を明らかにしている。

関連論文リスト

• Progressive Inference-Time Annealing of Diffusion Models for Sampling from Boltzmann Densities [85.83359661628575]
  拡散に基づくサンプル学習のために, PITA(Progressive Inference-Time Annealing)を提案する。 PITAはボルツマン分布のアナーリングと拡散平滑化という2つの相補的手法を組み合わせたものである。 N-体粒子系、アラニンジペプチド、トリペプチドの平衡サンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-19T17:14:22Z)
• Quantizing Diffusion Models from a Sampling-Aware Perspective [43.95032520555463]
  本稿では,混合次軌道アライメント手法を考案したサンプリング対応量子化手法を提案する。 複数のデータセットにまたがるスパースステップ高速サンプリング実験により,本手法は高速サンプリング器の高速収束特性を保っていることが示された。
  論文  参考訳（メタデータ） (2025-05-04T20:50:44Z)
• Sequential Controlled Langevin Diffusions [80.93988625183485]
  2つの一般的な方法として,(1) 所定のマルコフ連鎖と再サンプリング工程を通した連続モンテカルロ (SMC) と,(2) 学習された動的輸送を用いる拡散に基づくサンプリング手法が最近開発された。 本稿では,SMC と拡散型サンプリング器を連続的に観察し,経路空間の測度を考慮し,SMC と拡散型サンプリング器を組み合わせるための基本的枠組みを提案する。 これは、従来の拡散のトレーニング予算の10%しか使用しない場合が多いが、これらの手法の利点を活用でき、複数のベンチマーク問題の性能向上に資するSCLD(Sequential Controlled Langevin Diffusion)サンプリング手法の成果である。
  論文  参考訳（メタデータ） (2024-12-10T00:47:10Z)
• Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
  高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。 EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。 本研究では,協調拡散回復可能性 (CDRL) を提案する。
  論文  参考訳（メタデータ） (2023-09-10T22:05:24Z)
• Online calibration scheme for training restricted Boltzmann machines with quantum annealing [0.552480439325792]
  本稿では,制限ボルツマンマシン (RBM) をトレーニングするためのよく近似されたサンプルを得るために,量子アニールの内部パラメータを校正する手法を提案する。 以上の結果から,本手法はギブスサンプリングと同等の性能を示した。
  論文  参考訳（メタデータ） (2023-07-19T07:07:52Z)
• A hybrid quantum-classical approach for inference on restricted Boltzmann machines [1.0928470926399563]
  ボルツマンマシンは多くの実世界のアプリケーションを持つ強力な機械学習モデルである。 ボルツマンマシンの統計的推測はその後部分布からサンプリングすることで行うことができる。 量子コンピュータは、いくつかの非自明な問題を効率的に解くことを約束している。
  論文  参考訳（メタデータ） (2023-03-31T11:10:31Z)
• A Novel Adaptive Causal Sampling Method for Physics-Informed Neural Networks [35.25394937917774]
  インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)の解を得るための魅力的な機械学習手法である。 適応サンプリングに時間因果性を導入し,PINの性能と効率を向上させるための適応因果サンプリング手法を提案する。 本研究では, 比較的単純なサンプリング手法を用いることで, 予測性能を2桁まで向上できることを実証した。
  論文  参考訳（メタデータ） (2022-10-24T01:51:08Z)
• Pseudo Numerical Methods for Diffusion Models on Manifolds [77.40343577960712]
  Denoising Diffusion Probabilistic Models (DDPM) は、画像やオーディオサンプルなどの高品質なサンプルを生成することができる。 DDPMは最終的なサンプルを生成するために数百から数千のイテレーションを必要とする。 拡散モデル(PNDM)の擬似数値法を提案する。 PNDMは、1000段DDIM(20倍の高速化)と比較して、50段の精度で高品質な合成画像を生成することができる
  論文  参考訳（メタデータ） (2022-02-20T10:37:52Z)
• Learning Energy-Based Models by Diffusion Recovery Likelihood [61.069760183331745]
  本稿では,エネルギーベースモデルから気軽に学習・サンプルできる拡散回復可能性法を提案する。 学習後、ガウスの白色雑音分布から初期化するサンプリングプロセスにより合成画像を生成することができる。 非条件 CIFAR-10 では,本手法は FID 9.58 と開始スコア 8.30 を達成する。
  論文  参考訳（メタデータ） (2020-12-15T07:09:02Z)

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。