論文の概要: Boltzmann Reinforcement Learning for Noise resilience in Analog Ising Machines
- arxiv url: http://arxiv.org/abs/2602.09162v1
- Date: Mon, 09 Feb 2026 20:07:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-11 20:17:43.232409
- Title: Boltzmann Reinforcement Learning for Noise resilience in Analog Ising Machines
- Title（参考訳）: アナログアイシングマシンにおける耐雑音性のためのボルツマン強化学習
- Authors: Aditya Choudhary, Saaketh Desai, Prasad Iyer,
- Abstract要約: 本稿では,分散学習フレームワークであるBRAIN(Boltzmann Reinforcement for Analog Ising Networks)を紹介する。
状態ごとのサンプリングから、複数のノイズ測定にまたがる情報の集約に移行することで、BRAINはガウスノイズに耐性を持つ。
BRAINは65,536スピンまでスケールする$mathcalO(N1.55)を提示し、測定の不確実性に対する堅牢性を最大40%まで維持する。
- 参考スコア（独自算出の注目度）: 0.8739101659113154
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Analog Ising machines (AIMs) have emerged as a promising paradigm for combinatorial optimization, utilizing physical dynamics to solve Ising problems with high energy efficiency. However, the performance of traditional optimization and sampling algorithms on these platforms is often limited by inherent measurement noise. We introduce BRAIN (Boltzmann Reinforcement for Analog Ising Networks), a distribution learning framework that utilizes variational reinforcement learning to approximate the Boltzmann distribution. By shifting from state-by-state sampling to aggregating information across multiple noisy measurements, BRAIN is resilient to Gaussian noise characteristic of AIMs. We evaluate BRAIN across diverse combinatorial topologies, including the Curie-Weiss and 2D nearest-neighbor Ising systems. We find that under realistic 3\% Gaussian measurement noise, BRAIN maintains 98\% ground state fidelity, whereas Markov Chain Monte Carlo (MCMC) methods degrade to 51\% fidelity. Furthermore, BRAIN reaches the MCMC-equivalent solution up to 192x faster under these conditions. BRAIN exhibits $\mathcal{O}(N^{1.55})$ scaling up to 65,536 spins and maintains robustness against severe measurement uncertainty up to 40\%. Beyond ground state optimization, BRAIN accurately captures thermodynamic phase transitions and metastable states, providing a scalable and noise-resilient method for utilizing analog computing architectures in complex optimizations.
- Abstract（参考訳）: アナログイジングマシン(AIM)は、エネルギー効率の高いイジング問題を解くために物理力学を利用して、組合せ最適化のための有望なパラダイムとして登場した。
しかしながら、これらのプラットフォーム上での従来の最適化およびサンプリングアルゴリズムの性能は、固有の測定ノイズによって制限されることが多い。
本稿では,BRAIN(Boltzmann Reinforcement for Analog Ising Networks)について紹介する。
状態ごとのサンプリングから,複数のノイズ計測における情報集約への移行により,AIMのガウスノイズ特性に耐性がある。
キュリー・ワイス(Curie-Weiss)や隣り合う2次元アイシングシステム(Curie-Weiss)など,様々な組合せトポロジーにおけるBRAINの評価を行った。
現実的な3倍のガウス測定ノイズの下では、BRAINは98倍の基底状態忠実度を維持しているのに対し、マルコフ・チェイン・モンテカルロ(MCMC)の手法は51倍の忠実度に低下している。
さらに、BRAINはこれらの条件下で最大192倍高速なMCMC等価溶液に達する。
BRAINは65,536スピンまでのスケールを$\mathcal{O}(N^{1.55})$で示し、測定の不確実性に対して40\%まで頑健性を維持する。
基底状態の最適化以外にも、BRAINは熱力学的相転移と準安定状態を正確に捉え、複雑な最適化においてアナログコンピューティングアーキテクチャを利用するためのスケーラブルで耐雑音性のある方法を提供する。
関連論文リスト
- Extending Straight-Through Estimation for Robust Neural Networks on Analog CIM Hardware [5.100973962435092]
本稿では,アナログ・コンピュート・イン・メモリ(CIM)システムのためのノイズアウェア・トレーニング手法を提案する。
我々は、後方勾配計算から前方雑音シミュレーションを分離し、より正確だが計算上は難解なノイズモデリングによる雑音認識訓練を可能にする。
本フレームワークは,画像分類の精度を最大5.3%向上し,テキスト生成における0.72パープレキシティ低減を実現し,トレーニング時間の2.2$times$ Speedupを実現し,ピークメモリ使用率を37.9%削減した。
論文 参考訳（メタデータ） (2025-08-16T06:53:44Z) - Noise Hypernetworks: Amortizing Test-Time Compute in Diffusion Models [57.49136894315871]
テストタイムスケーリングの新しいパラダイムは、推論モデルと生成視覚モデルにおいて驚くべきブレークスルーをもたらした。
本稿では,テスト時間スケーリングの知識をモデルに組み込むことの課題に対する1つの解決策を提案する。
拡散モデルにおいて、初期入力ノイズを変調するノイズハイパーネットワークにより、報酬誘導試験時間雑音の最適化を行う。
論文 参考訳（メタデータ） (2025-08-13T17:33:37Z) - Noise-reduction of multimode Gaussian Boson Sampling circuits via Unitary Averaging [41.94295877935867]
我々は、一元平均化プロトコルを統合することにより、ガウスボソンサンプリング(GBS)回路を改善する。
我々はビームスプリッタや位相シフト器の欠陥を含む任意の干渉音を緩和する。
大規模システムの性能向上を予測できるパワーロー式を導出する。
論文 参考訳（メタデータ） (2025-06-06T04:28:06Z) - Optimization Strategies for Variational Quantum Algorithms in Noisy Landscapes [0.061173711613792085]
変分量子アルゴリズム(VQA)は、短期量子コンピューティングにおける主要なアプローチである。
我々は変分量子ソルバ(VQE)のための50以上のメタヒューリスティックアルゴリズムをベンチマークした。
その結果、ノイズの多いVQEのための小さなレジリエントアルゴリズムを特定し、短期量子デバイス上での最適化戦略のガイダンスを提供する。
論文 参考訳（メタデータ） (2025-06-02T14:22:30Z) - Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。
4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
論文 参考訳（メタデータ） (2023-01-18T04:54:58Z) - Walking Noise: On Layer-Specific Robustness of Neural Architectures against Noisy Computations and Associated Characteristic Learning Dynamics [1.5184189132709105]
本稿では,異なる分類タスクとモデルアーキテクチャに対する加法的,乗法的,混合ノイズの影響について論じる。
本研究では,ロバスト性を測定するため,層固有のノイズを注入するウォーキングノイズ法を提案する。
我々は,この方法論の実践的利用に関する議論をまとめ,ノイズの多い環境での適応型マルチエグゼクティブの活用について論じる。
論文 参考訳（メタデータ） (2022-12-20T17:09:08Z) - Learning based signal detection for MIMO systems with unknown noise
statistics [84.02122699723536]
本論文では,未知のノイズ統計による信号を堅牢に検出する一般化最大確率(ML)推定器を考案する。
実際には、システムノイズに関する統計的な知識はほとんどなく、場合によっては非ガウス的であり、衝動的であり、分析不可能である。
我々のフレームワークは、ノイズサンプルのみを必要とする教師なしの学習アプローチによって駆動される。
論文 参考訳（メタデータ） (2021-01-21T04:48:15Z) - Modeling and mitigation of cross-talk effects in readout noise with
applications to the Quantum Approximate Optimization Algorithm [0.0]
雑音の緩和は、上界を導出する誤差まで行うことができる。
ノイズモデルとエラー軽減スキームの両方をテストするためにIBMのデバイスを使用した15(23)量子ビットの実験。
浅層深度ランダム回路によって生成されるHaar-random量子状態と状態に対して、同様の効果が期待できることを示す。
論文 参考訳（メタデータ） (2021-01-07T02:19:58Z) - Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。
我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。
数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-11-18T16:40:45Z)
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。