論文の概要: Refined Gradient-Based Temperature Optimization for the Replica-Exchange Monte-Carlo Method

• arxiv url: http://arxiv.org/abs/2601.13542v1
• Date: Tue, 20 Jan 2026 03:03:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.130346
• Title: Refined Gradient-Based Temperature Optimization for the Replica-Exchange Monte-Carlo Method
• Title（参考訳）: Replica-Exchange Monte-Carlo 法における結晶粒度に基づく温度最適化
• Authors: Tatsuya Miyata, Shunta Arai, Satoshi Takabe,
• Abstract要約: レプリカ交換モンテカルロ法 (RXMC) はマルチモーダル分布からサンプリングする強力なマルコフ連鎖モンテカルロアルゴリズムである。 本稿では,勾配に基づく最適化フレームワークを拡張した改良されたオンライン温度選択手法を提案する。 提案手法は, 受入率の均一化に成功し, 温度空間を横断するラウンドトリップ時間を短縮できることを示す。
• 参考スコア（独自算出の注目度）: 1.5293427903448018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The replica-exchange Monte-Carlo (RXMC) method is a powerful Markov-chain Monte-Carlo algorithm for sampling from multi-modal distributions, which are challenging for conventional methods. The sampling efficiency of the RXMC method depends highly on the selection of the temperatures, and finding optimal temperatures remains a challenge. In this study, we propose a refined online temperature selection method by extending the gradient-based optimization framework proposed previously. Building upon the existing temperature update approach, we introduce a reparameterization technique to strictly enforce physical constraints, such as the monotonic ordering of inverse temperatures, which were not explicitly addressed in the original formulation. The proposed method defines the variance of acceptance rates between adjacent replicas as a loss function, estimates its gradient using differential information from the sampling process, and optimizes the temperatures via gradient descent. We demonstrate the effectiveness of our method through experiments on benchmark spin systems, including the two-dimensional ferromagnetic Ising model, the two-dimensional ferromagnetic XY model, and the three-dimensional Edwards-Anderson model. Our results show that the method successfully achieves uniform acceptance rates and reduces round-trip times across the temperature space. Furthermore, our proposed method offers a significant advantage over recently proposed policy gradient method that require careful hyperparameter tuning, while simultaneously preventing the constraint violations that destabilize optimization.
• Abstract（参考訳）: レプリカ交換モンテカルロ法 (RXMC) はマルチモーダル分布からサンプリングする強力なマルコフ連鎖モンテカルロアルゴリズムであり、従来の手法では難しい。 RXMC法のサンプリング効率は温度の選択に大きく依存しており、最適な温度を求めることは依然として課題である。 本研究では,従来提案されていた勾配に基づく最適化フレームワークを拡張した改良されたオンライン温度選択手法を提案する。 既存の温度更新手法に基づいて,逆温度の単調な順序付けなどの物理的制約を厳格に強制するパラメータ化手法を導入する。 提案手法は, 隣り合うレプリカ間の受容率のばらつきを損失関数として定義し, サンプリングプロセスからの差分情報を用いて勾配を推定し, 勾配降下による温度の最適化を行う。 本稿では,2次元強磁性イジングモデル,2次元強磁性XYモデル,3次元エドワーズ・アンダーソンモデルなど,ベンチマークスピンシステムの実験により本手法の有効性を実証する。 提案手法は, 受入率の均一化に成功し, 温度空間を横断するラウンドトリップ時間を短縮できることを示す。 さらに,提案手法は,最適化を不安定にする制約違反を同時に防止しつつ,注意深いハイパーパラメータチューニングを必要とする,最近提案されたポリシー勾配法に対して,大きな優位性を提供する。

関連論文リスト

• HeatGen: A Guided Diffusion Framework for Multiphysics Heat Sink Design Optimization [0.0]
  ジオメトリは複数のフィンの境界表現を用いて表現される。 本研究では, 偏波拡散確率モデルを訓練し, 観測値と一致した特性のヒートシンクを生成する。 我々は2つの異なる残留ニューラルネットワークを訓練し、各幾何学における圧力降下と表面温度を予測する。
  論文  参考訳（メタデータ） (2025-11-12T08:07:46Z)
• Inference-Time Scaling of Discrete Diffusion Models via Importance Weighting and Optimal Proposal Design [17.7006862812979]
  本稿では、離散拡散モデルのスケーラブルな推論時間制御を可能にするシークエンシャルモンテカルロフレームワークを提案する。 具体的には,様々な中間目標に対するトラクタブルな重み付けを導出し,最適提案を特徴付ける。 合成タスク,言語モデリング,生物学設計,テキスト・ツー・イメージ生成といった実験結果から,我々のフレームワークが制御性やサンプルの品質を向上させることを示す。
  論文  参考訳（メタデータ） (2025-05-28T16:12:03Z)
• Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts [64.34482582690927]
  事前学習したスコアベースモデルから得られた熱処理, 幾何平均, 製品分布の配列から, 効率的かつ原理的に抽出する方法を提供する。 本稿では,サンプリング品質を向上させるために,推論時間スケーリングを利用する逐次モンテカルロ(SMC)再サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-04T17:46:51Z)
• Policy Gradients for Optimal Parallel Tempering MCMC [0.276240219662896]
  並列テンパリング(英: Parallel tempering)は、マルコフ・チェイン・モンテカルロ(Markov Chain Monte Carlo)のメタアルゴリズムである。 本稿では,政策勾配法を用いてサンプリング中の温度を動的に調整する適応温度選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-03T03:12:45Z)
• Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
  機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。 非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
  論文  参考訳（メタデータ） (2024-08-20T19:06:02Z)
• EM Distillation for One-step Diffusion Models [65.57766773137068]
  最小品質の損失を最小限に抑えた1ステップ生成モデルに拡散モデルを蒸留する最大可能性に基づく手法を提案する。 本研究では, 蒸留プロセスの安定化を図るため, 再パラメータ化サンプリング手法とノイズキャンセリング手法を開発した。
  論文  参考訳（メタデータ） (2024-05-27T05:55:22Z)
• Optimization of Discrete Parameters Using the Adaptive Gradient Method and Directed Evolution [49.1574468325115]
  最適解の探索は、個人の集団によって行われる。 適応していない個体は死に、最適な個体は交配し、結果として進化力学が導かれた。
  論文  参考訳（メタデータ） (2024-01-12T15:45:56Z)
• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)

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。