Fugu-MT 論文翻訳(概要): Neural Quantum States in Mixed Precision

論文の概要: Neural Quantum States in Mixed Precision

arxiv url: http://arxiv.org/abs/2601.20782v1
Date: Wed, 28 Jan 2026 17:15:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-29 15:46:07.036109
Title: Neural Quantum States in Mixed Precision
Title（参考訳）: 混合精度におけるニューラル量子状態
Authors: Massimo Solinas, Agnes Valenti, Nawaf Bou-Rabee, Roeland Wiersema,
Abstract要約: 変分モンテカルロ(VMC)における混合精度算術の役割について検討する。 VMCは計算に難解な量子多体系を解くのに広く使われている方法である。特に量子状態のサンプリングは,精度を損なうことなく,半精度で行うことができることを示す。
参考スコア（独自算出の注目度）: 1.424507155580441
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Scientific computing has long relied on double precision (64-bit floating point) arithmetic to guarantee accuracy in simulations of real-world phenomena. However, the growing availability of hardware accelerators such as Graphics Processing Units (GPUs) has made low-precision formats attractive due to their superior performance, reduced memory footprint, and improved energy efficiency. In this work, we investigate the role of mixed-precision arithmetic in neural-network based Variational Monte Carlo (VMC), a widely used method for solving computationally otherwise intractable quantum many-body systems. We first derive general analytical bounds on the error introduced by reduced precision on Metropolis-Hastings MCMC, and then empirically validate these bounds on the use-case of VMC. We demonstrate that significant portions of the algorithm, in particular, sampling the quantum state, can be executed in half precision without loss of accuracy. More broadly, this work provides a theoretical framework to assess the applicability of mixed-precision arithmetic in machine-learning approaches that rely on MCMC sampling. In the context of VMC, we additionally demonstrate the practical effectiveness of mixed-precision strategies, enabling more scalable and energy-efficient simulations of quantum many-body systems.
Abstract（参考訳）: 科学計算は、実世界の現象のシミュレーションにおける精度を保証するために、長い間、倍精度(64ビット浮動小数点)の算術に依存してきた。しかし、GPU(Graphics Processing Units)のようなハードウェアアクセラレーターの普及により、パフォーマンスの向上、メモリフットプリントの削減、エネルギー効率の向上により、低精度のフォーマットが魅力的になった。本研究では,ニューラルネットワークに基づく変分モンテカルロ(VMC)における混合精度算術の役割について検討する。まず,メトロポリス・ハスティングスMCMCの精度の低下による誤差の一般的な解析的境界を導出し,これらの境界をVMCの使用事例で実証的に検証する。特に量子状態のサンプリングは,精度を損なうことなく,半精度で行うことができることを示す。より広範に、この研究はMCMCサンプリングに依存する機械学習アプローチにおける混合精度算術の適用性を評価する理論的枠組みを提供する。 VMCの文脈では、よりスケーラブルでエネルギー効率の良い量子多体システムのシミュレーションを可能にする混合精度戦略の実用的効果を実証する。

関連論文リスト

Physics-Inspired Extrapolation for efficient error mitigation and hardware certification [10.804056735359618]
量子エラー軽減は、ノイズの多い中間スケールの量子時代にとって不可欠である。ほとんどのQEM法は、偏りのない推定を達成するために指数的なサンプリングオーバーヘッドを発生させる。本稿では,物理に着想を得た線形回路ランタイムプロトコルである外挿法を提案する。
論文参考訳（メタデータ） (2025-05-12T18:20:58Z)
Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
論文参考訳（メタデータ） (2025-03-24T03:19:45Z)
QuartDepth: Post-Training Quantization for Real-Time Depth Estimation on the Edge [55.75103034526652]
ASIC のハードウェアアクセラレーションによる MDE モデルの定量化を後学習量子化に応用した QuartDepth を提案する。提案手法では,重みとアクティベーションの両方を4ビット精度で定量化し,モデルサイズと計算コストを削減する。我々は、カーネル融合とカスタマイズされた命令プログラム性をサポートすることにより、フレキシブルでプログラム可能なハードウェアアクセラレータを設計する。
論文参考訳（メタデータ） (2025-03-20T21:03:10Z)
Mitigating shot noise in local overlapping quantum tomography with semidefinite programming [0.0]
還元密度行列(Reduced density matrices, RDM)は、量子情報処理の基本である。本稿では,RDMの制約を再強化することにより,物理性雑音を軽減する手法を提案する。提案手法は, 互換性制約のないトモグラフィと比較して, 平均的, 厳密な測定値が得られる。
論文参考訳（メタデータ） (2025-01-30T18:17:13Z)
Optimal Quantum Overlapping Tomography [2.555222031881788]
部分トモグラフィーは、複雑な量子システムを特徴づけるための有望なアプローチとして登場した。本稿では,問題を斜め被覆モデルにマッピングすることで,最適な重なり合うトモグラフィのための統一フレームワークを提案する。実用核スピンプロセッサにおける提案手法の有効性を実験的に検証した。
論文参考訳（メタデータ） (2024-10-17T12:03:43Z)
Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文参考訳（メタデータ） (2023-12-19T21:45:38Z)
On-Chip Hardware-Aware Quantization for Mixed Precision Neural Networks [52.97107229149988]
エッジデバイス上でハードウェア対応の混合精度量子化を行うOn-Chipハードウェア・アウェア量子化フレームワークを提案する。このパイプラインは、量子化プロセスが量子化演算子の実際のハードウェア効率を知覚することを可能にする。精度測定のために,マルチチップシナリオにおける演算子の精度への影響を効果的に推定するMask-Guided Quantization Estimation技術を提案する。
論文参考訳（メタデータ） (2023-09-05T04:39:34Z)
Learning to Measure: Adaptive Informationally Complete Generalized Measurements for Quantum Algorithms [0.0]
本稿では,情報完全正の演算子値測定(POVM)をオンザフライで最適化するアルゴリズムを提案する。分子ハミルトニアンの基底状態エネルギーの計算における変分量子固有解器の効率を改善することにより、その利点を示す。さらに、他の量の関心を推測するために測定データを再利用できるため、アプローチの情報完全性は極めて有利である。
論文参考訳（メタデータ） (2021-04-01T15:49:05Z)
Fully Quantized Image Super-Resolution Networks [81.75002888152159]
効率と精度を両立させるためのフル量子化画像超解像フレームワーク(FQSR)を提案する。我々は、SRResNet、SRGAN、EDSRを含む複数の主流超解像アーキテクチャに量子化スキームを適用した。低ビット量子化を用いたFQSRは、5つのベンチマークデータセットの完全精度と比較すると、パー性能で実現できる。
論文参考訳（メタデータ） (2020-11-29T03:53:49Z)

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。