論文の概要: Removing nodal and support-mismatch pathologies in Variational Monte Carlo via blurred sampling

• arxiv url: http://arxiv.org/abs/2603.18148v1
• Date: Wed, 18 Mar 2026 18:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.78875
• Title: Removing nodal and support-mismatch pathologies in Variational Monte Carlo via blurred sampling
• Title（参考訳）: ぼかしサンプリングによるモンテカルロ変質岩のNodalとMismatchの除去
• Authors: Zhou-Quan Wan, Roeland Wiersema, Shiwei Zhang,
• Abstract要約: 変分モンテカルロ(VMC)は、パラメータ化された身体波関数を最適化し、進化させる強力な高速成長法である。 しかし、実際には、メソッドのバックボーンがなければ、ノードの存在によって不安定あるいは偏りになる可能性がある。 これらの問題に対処するために、ぼやけたサンプリングを導入します。
• 参考スコア（独自算出の注目度）: 5.276073131901768
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Variational Monte Carlo (VMC) is a powerful and fast-growing method for optimizing and evolving parameterized many-body wave functions, especially with modern neural-network quantum states. In practice, however, the stochastic estimators that form the backbone of the method can become unstable or biased due to the presence of nodes, a ubiquitous feature of quantum wave functions. In the continuum, this results in heavy-tailed estimators with potentially divergent variances, while in discrete Hilbert spaces the sampling distribution can miss parts of the support needed to form unbiased estimators. These statistical pathologies lead to unreliable optimization trajectories in stochastic reconfiguration or incorrect variational dynamics in time-dependent Variational Monte Carlo (t-VMC), and severely limit the power of the numerical simulations. We introduce blurred sampling to address these difficulties. The method has a number of rigorous properties that make it well-behaved, effective and efficient. Additionally it is a post-processing approach that can be used without modifying the underlying sampler and incurs only minimal overhead. We demonstrate its effectiveness on several representative examples where standard sampling approaches are known to fail, and apply it to large-scale problems in spin dynamics. This work establishes a broadly applicable framework for robust VMC and t-VMC calculations.
• Abstract（参考訳）: 変分モンテカルロ(VMC)は、パラメータ化された多体波動関数を最適化し、進化させる強力な高速成長法である。 しかし、実際には、この手法のバックボーンを形成する確率的推定器は、量子波動関数のユビキタスな特徴であるノードの存在により不安定あるいは偏りになる可能性がある。 連続体では、これは潜在的にばらつきのある重み付き推定器となり、一方離散ヒルベルト空間ではサンプリング分布は、偏りのない推定器を形成するのに必要なサポートの一部を欠くことができる。 これらの統計病理は、時間依存的変分モンテカルロ(t-VMC)における確率的再構成や不正確な変分力学における信頼できない最適化軌道を導き、数値シミュレーションのパワーを著しく制限する。 これらの問題に対処するために、ぼやけたサンプリングを導入します。 この方法には厳格な性質がいくつかあり、うまく機能し、効果的である。 また、基盤となるサンプルを変更せずに使用でき、最小限のオーバーヘッドしか発生しない後処理のアプローチである。 標準サンプリング手法が失敗することが知られているいくつかの代表例において,その有効性を実証し,スピン力学の大規模問題に適用する。 この研究は、堅牢VMCとt-VMC計算のための広く適用可能なフレームワークを確立する。

関連論文リスト

• Unraveling Open Quantum Dynamics with Time-Dependent Variational Monte Carlo [0.0]
  本稿では,時間依存型変分モンテカルロ(VMC)と量子軌道法を組み合わせることにより,オープン量子多体力学をシミュレートする手法を提案する。 我々のアプローチはリンドブラッドのマスター方程式を変分アンザッツに対するシュリンガー方程式のアンサンブルに展開する。 この研究により、より高次元の複雑な散逸性量子系の大規模シミュレーションが可能となり、量子技術や基礎科学に幅広い影響を及ぼす。
  論文  参考訳（メタデータ） (2025-06-30T14:56:01Z)
• Adaptive quantum dynamics with the time-dependent variational Monte Carlo method [0.0]
  変動量子状態の表現率を適応的に制御する,時間依存型変分モンテカルロ法(tVMC)の拡張を導入する。 スピンジャストロウと制限ボルツマン機械波動関数を用いた一次元横場イジングモデルにおける量子クエンチのベンチマークを行った。
  論文  参考訳（メタデータ） (2025-06-10T08:47:01Z)
• 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)
• Unbiasing time-dependent Variational Monte Carlo by projected quantum evolution [44.99833362998488]
  量子系を古典的にシミュレートするためのモンテカルロ変分法(英語版)の精度とサンプルの複雑さを解析する。 時間依存変分モンテカルロ(tVMC)が最もよく用いられるスキームは、体系的な統計的バイアスによって影響を受けることを証明している。 本稿では,各段階における最適化問題の解法に基づく異なるスキームが,そのような問題から解放されていることを示す。
  論文  参考訳（メタデータ） (2023-05-23T17:38:10Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
  ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続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法である。 本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。 本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
  論文  参考訳（メタデータ） (2021-02-04T02:21:08Z)
• Stochastic Normalizing Flows [2.323220706791067]
  単純な事前分布の変換を学習するために,フローの正規化が有効であることを示す。 サンプルとフローパラメータの両方をエンドツーエンドに最適化できる効率的なトレーニング手順を導出する。 いくつかのベンチマークでSNFの表現力,サンプリング効率,正当性について述べる。
  論文  参考訳（メタデータ） (2020-02-16T23:29:32Z)

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。