論文の概要: Improving neural network performance for solving quantum sign structure

• arxiv url: http://arxiv.org/abs/2510.02051v1
• Date: Thu, 02 Oct 2025 14:24:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.163838
• Title: Improving neural network performance for solving quantum sign structure
• Title（参考訳）: 量子符号構造の解法におけるニューラルネットワークの性能向上
• Authors: Xiaowei Ou, Tianshu Huang, Vidvuds Ozolins,
• Abstract要約: 本研究では、異なる時間ステップを効果的に利用して振幅と位相を進化させる修正手法を提案する。 位相再構成のためのより大きな時間ステップを用いることで、位相ニューラルネットワークと振幅ニューラルネットワークの同時かつ効率的なトレーニングを可能にする。
• 参考スコア（独自算出の注目度）: 0.4806505912512236
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Neural quantum states have emerged as a widely used approach to the numerical study of the ground states of non-stoquastic Hamiltonians. However, existing approaches often rely on a priori knowledge of the sign structure or require a separately pre-trained phase network. We introduce a modified stochastic reconfiguration method that effectively uses differing imaginary time steps to evolve the amplitude and phase. Using a larger time step for phase optimization, this method enables a simultaneous and efficient training of phase and amplitude neural networks. The efficacy of our method is demonstrated on the Heisenberg J_1-J_2 model.
• Abstract（参考訳）: ニューラル量子状態は、非確率的ハミルトニアンの基底状態の数値的研究に広く用いられているアプローチとして現れている。 しかし、既存のアプローチは、しばしば符号構造の事前知識に依存するか、個別に事前訓練された位相ネットワークを必要とする。 本稿では,異なる時間ステップを効果的に利用して振幅と位相を進化させる確率再構成法を提案する。 位相最適化のためのより大きな時間ステップを用いることで、位相と振幅のニューラルネットワークの同時的かつ効率的なトレーニングを可能にする。 本手法の有効性をハイゼンベルクJ_1-J_2モデルで実証した。

関連論文リスト

• Utilization of SU(2) Symmetry for Efficient Simulation of Quantum Systems [0.0]
  本研究では、内部のSU(2)対称性を持つ量子系をシミュレートするための変分コンパイル法について検討する。 この研究の中心的な構成要素は、トレーニングされた変動回路パラメータを外挿する動的モード分解法(DMD)の適用である。 外挿パラメータを用いて、より多くのトロッターステップを用いて、変動的にコンパイルされた量子状態を予測する手法を提案し、再学習の必要性を排除した。
  論文  参考訳（メタデータ） (2025-06-23T16:17:56Z)
• Learning Optical Flow Field via Neural Ordinary Differential Equation [44.16275288019991]
  近年の光学フロー推定では、ニューラルネットワークを用いて、ある画像の位置を他方の位置にマッピングする流れ場を予測している。 連続モデル,すなわちニューラル常微分方程式(ODE)を用いて流れの微分を予測する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-06-03T18:30:14Z)
• Efficiency of Dynamical Decoupling for (Almost) Any Spin-Boson Model [44.99833362998488]
  構造ボソニック環境と結合した2レベル系の動的疎結合を解析的に検討した。 このようなシステムに対して動的疎結合が機能する十分な条件を見つける。 私たちの境界は、様々な関連するシステムパラメータで正しいスケーリングを再現します。
  論文  参考訳（メタデータ） (2024-09-24T04:58:28Z)
• Scalable Imaginary Time Evolution with Neural Network Quantum States [0.0]
  ニューラルネットワーク量子状態(NQS)としての量子波関数の表現は、多体量子系の基底状態を見つけるための強力な変分アンサッツを提供する。 我々は、計量テンソルの計算をバイパスするアプローチを導入し、代わりにユークリッド計量を用いた一階降下にのみ依存する。 我々は,NQSのエネルギーが減少するまで最適な時間ステップを決定し,目標を固定し,適応的に安定させる。
  論文  参考訳（メタデータ） (2023-07-28T12:26:43Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• Parallelization Techniques for Verifying Neural Networks [52.917845265248744]
  検証問題に基づくアルゴリズムを反復的に導入し、2つの分割戦略を探索する。 また、ニューラルネットワークの検証問題を単純化するために、ニューロンアクティベーションフェーズを利用する、高度に並列化可能な前処理アルゴリズムも導入する。
  論文  参考訳（メタデータ） (2020-04-17T20:21:47Z)
• Interpolation Technique to Speed Up Gradients Propagation in Neural ODEs [71.26657499537366]
  本稿では,ニューラルネットワークモデルにおける勾配の効率的な近似法を提案する。 我々は、分類、密度推定、推論近似タスクにおいて、ニューラルODEをトレーニングするリバースダイナミック手法と比較する。
  論文  参考訳（メタデータ） (2020-03-11T13:15:57Z)

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。