論文の概要: Probabilistic Computers for Neural Quantum States

• arxiv url: http://arxiv.org/abs/2512.24558v1
• Date: Wed, 31 Dec 2025 01:42:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.530072
• Title: Probabilistic Computers for Neural Quantum States
• Title（参考訳）: ニューラル量子状態のための確率的コンピュータ
• Authors: Shuvro Chowdhury, Jasper Pieterse, Navid Anjum Aadit, Johan H. Mentink, Kerem Y. Camsari,
• Abstract要約: 我々は、フィールドプログラマブルゲートアレイ(FPGA)上に確率的コンピュータを実装し、エネルギーベースのニューラル量子状態のための高速サンプリング器として利用する。 本稿では,深層ボルツマンマシンを訓練するための二重サンプリングアルゴリズムを導入し,補助層上での条件付きサンプリングに置き換える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural quantum states efficiently represent many-body wavefunctions with neural networks, but the cost of Monte Carlo sampling limits their scaling to large system sizes. Here we address this challenge by combining sparse Boltzmann machine architectures with probabilistic computing hardware. We implement a probabilistic computer on field programmable gate arrays (FPGAs) and use it as a fast sampler for energy-based neural quantum states. For the two-dimensional transverse-field Ising model at criticality, we obtain accurate ground-state energies for lattices up to 80 $\times$ 80 (6400 spins) using a custom multi-FPGA cluster. Furthermore, we introduce a dual-sampling algorithm to train deep Boltzmann machines, replacing intractable marginalization with conditional sampling over auxiliary layers. This enables the training of sparse deep models and improves parameter efficiency relative to shallow networks. Using this algorithm, we train deep Boltzmann machines for a system with 35 $\times$ 35 (1225 spins). Together, these results demonstrate that probabilistic hardware can overcome the sampling bottleneck in variational simulation of quantum many-body systems, opening a path to larger system sizes and deeper variational architectures.
• Abstract（参考訳）: ニューラル量子状態は、ニューラルネットワークによる多体波動関数を効率的に表現するが、モンテカルロサンプリングのコストは、そのスケーリングを大きなシステムサイズに制限する。 ここでは、スパースボルツマンマシンアーキテクチャと確率計算ハードウェアを組み合わせることで、この問題に対処する。 我々は、フィールドプログラマブルゲートアレイ(FPGA)上に確率的コンピュータを実装し、エネルギーベースのニューラル量子状態のための高速サンプリング器として利用する。 2次元逆場イジングモデルの臨界度について、カスタムマルチFPGAクラスタを用いて80$\times$80 (6400 spins)の格子に対する正確な基底状態エネルギーを得る。 さらに, 深層ボルツマンマシンを訓練するための二重サンプリングアルゴリズムを導入し, 難解な余分化を補助層上で条件付きサンプリングに置き換えた。 これにより、疎密な深層モデルのトレーニングが可能となり、浅いネットワークに対するパラメータ効率が向上する。 このアルゴリズムを用いて、35$\times$ 35 (1225 spins)のシステムに対してディープボルツマンマシンを訓練する。 これらの結果から、確率的ハードウェアは、量子多体系の変分シミュレーションにおけるサンプリングボトルネックを克服し、より大きなシステムサイズとより深い変分アーキテクチャへの道を開くことが示されている。

関連論文リスト

• FFT-Accelerated Auxiliary Variable MCMC for Fermionic Lattice Models: A Determinant-Free Approach with $O(N\log N)$ Complexity [52.3171766248012]
  量子多体系のシミュレーションを劇的に高速化するマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを導入する。 我々は,量子物理学のベンチマーク問題に対するアルゴリズムの有効性を検証し,既知の理論結果を正確に再現する。 我々の研究は、大規模確率的推論のための強力なツールを提供し、物理学に着想を得た生成モデルのための道を開く。
  論文  参考訳（メタデータ） (2025-10-13T07:57:21Z)
• Training Deep Boltzmann Networks with Sparse Ising Machines [5.048818298702389]
  深層生成AIモデルをトレーニングすることにより,確率ビット(pビット)ベースのIsingマシンのための新しいアプリケーションドメインを示す。 スパース、非同期、および非常に並列なIsingマシンを使用して、ハイブリッド確率-古典計算設定でディープボルツマンネットワークを訓練する。
  論文  参考訳（メタデータ） (2023-03-19T18:10:15Z)
• 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)
• A single $T$-gate makes distribution learning hard [56.045224655472865]
  この研究は、局所量子回路の出力分布の学習可能性に関する広範な評価を提供する。 ハイブリッド量子古典アルゴリズムを含む多種多様な学習アルゴリズムにおいて、深度$d=omega(log(n))$ Clifford回路に関連する生成的モデリング問題さえも困難であることを示す。
  論文  参考訳（メタデータ） (2022-07-07T08:04:15Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Gaussian boson sampling and multi-particle event optimization by machine learning in the quantum phase space [0.11421942894219898]
  量子位相空間における多体ガウス状態の特性関数を表現するためにニューラルネットワークを用いる。 自動微分によるボソンパターンの確率を計算する。 この結果は、量子技術のための新しいソースと複雑な回路の作成に潜在的に有用である。
  論文  参考訳（メタデータ） (2021-02-24T09:08:15Z)
• A Neural-Network Variational Quantum Algorithm for Many-Body Dynamics [15.435967947933404]
  量子多体系の時間進化をシミュレートするニューラルネットワーク-ネットワーク変分量子アルゴリズムを提案する。 提案アルゴリズムは、測定コストの低い短期量子コンピュータに効率よく実装することができる。
  論文  参考訳（メタデータ） (2020-08-31T02:54:09Z)

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。