論文の概要: Classical and Quantum Speedups for Non-Convex Optimization via Energy Conserving Descent

• arxiv url: http://arxiv.org/abs/2604.13022v1
• Date: Tue, 14 Apr 2026 17:56:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.602313
• Title: Classical and Quantum Speedups for Non-Convex Optimization via Energy Conserving Descent
• Title（参考訳）: 省エネによる非凸最適化のための古典的・量子的高速化
• Authors: Yihang Sun, Huaijin Wang, Patrick Hayden, Jose Blanchet,
• Abstract要約: EECD(Energy Con Descent)は、世界の非勾配アルゴリズムとして最近提案された(De Luca & Silverstein, 2022)。 我々はエネルギー保存と量子ノイズでECDダイナミクスを定式化し、ハミルトンシミュレーションによる量子アルゴリズムの基礎を提供する。
• 参考スコア（独自算出の注目度）: 2.516459841225004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Energy Conserving Descent (ECD) algorithm was recently proposed (De Luca & Silverstein, 2022) as a global non-convex optimization method. Unlike gradient descent, appropriately configured ECD dynamics escape strict local minima and converge to a global minimum, making it appealing for machine learning optimization. We present the first analytical study of ECD, focusing on the one-dimensional setting for this first installment. We formalize a stochastic ECD dynamics (sECD) with energy-preserving noise, as well as a quantum analog of the ECD Hamiltonian (qECD), providing the foundation for a quantum algorithm through Hamiltonian simulation. For positive double-well objectives, we compute the expected hitting time from a local to the global minimum. We prove that both sECD and qECD yield exponential speedup over respective gradient descent baselines--stochastic gradient descent and its quantization. For objectives with tall barriers, qECD achieves a further speedup over sECD.
• Abstract（参考訳）: The Energy Conserving Descent (ECD) algorithm was recently proposed (De Luca & Silverstein, 2022) as a global non-convex optimization method。 勾配降下とは異なり、適切に構成されたECDダイナミクスは厳密な局所最小限を回避し、大域的に最小限に収束し、機械学習最適化にアピールする。 本研究は, 初回設置時の1次元設定に着目し, ECDに関する最初の解析的研究である。 我々は、エネルギー保存ノイズを伴う確率的ECDダイナミクス(sECD)を定式化し、また、ECDハミルトニアン(qECD)の量子アナログを定式化し、ハミルトニアンシミュレーションによる量子アルゴリズムの基礎を提供する。 正の二重井戸目的に対しては,局所から大域的最小点までの到達時間を計算する。 sECD と qECD の両方がそれぞれの勾配勾配基底線よりも指数的な速度アップ(確率勾配降下とその量子化)が得られることを証明した。 高い障壁を持つ目的のために、qECDはsECDをさらに高速化する。

関連論文リスト

• Accelerated Multiple Wasserstein Gradient Flows for Multi-objective Distributional Optimization [3.967275814479281]
  We study multi-jective optimization over probability distributions in Wasserstein space。 我々はNesterovの加速度にインスパイアされた加速変種A-MWGraDを提案する。 A-MWGraDは,マルチターゲットサンプリングタスクにおいて,コンバージェンス速度とサンプリング効率でMWGraDを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-01-27T05:41:36Z)
• Optimizing Unitary Coupled Cluster Wave Functions on Quantum Hardware: Error Bound and Resource-Efficient Optimizer [0.0]
  本稿では、量子ハードウェア上でのユニタリ結合クラスタ波関数の最適化のための射影量子固有解法(PQE)アプローチについて検討する。 我々は、ハミルトニアンの外部対角係数(残差)とアルゴリズムのエネルギー誤差と得られた波動関数によって達成された重なり関係を導出する。
  論文  参考訳（メタデータ） (2024-10-19T15:03:59Z)
• Neutron-nucleus dynamics simulations for quantum computers [49.369935809497214]
  一般ポテンシャルを持つ中性子核シミュレーションのための新しい量子アルゴリズムを開発した。 耐雑音性トレーニング法により、ノイズの存在下でも許容される境界状態エネルギーを提供する。 距離群可換性(DGC)と呼ばれる新しい可換性スキームを導入し、その性能をよく知られたqubit-commutativityスキームと比較する。
  論文  参考訳（メタデータ） (2024-02-22T16:33:48Z)
• Symmetric Mean-field Langevin Dynamics for Distributional Minimax Problems [78.96969465641024]
  平均場ランゲヴィンのダイナミクスを、対称で証明可能な収束した更新で、初めて確率分布に対する最小の最適化に拡張する。 また,時間と粒子の離散化機構について検討し,カオス結果の新たな均一時間伝播を証明した。
  論文  参考訳（メタデータ） (2023-12-02T13:01:29Z)
• Quantum Langevin Dynamics for Optimization [14.447963674485132]
  我々は、最適化問題を解決するためにQuantum Langevin Dynamics(QLD)を利用する。 具体的には、無限熱浴と結合した系の力学について検討する。 系の平均エネルギーが低温限界でゼロに近づくことを実証する。
  論文  参考訳（メタデータ） (2023-11-27T07:25:47Z)
• Nesterov Meets Optimism: Rate-Optimal Separable Minimax Optimization [108.35402316802765]
  本稿では,新しい一階最適化アルゴリズムであるAcceleratedGradient-OptimisticGradient (AG-OG) Ascentを提案する。 我々はAG-OGが様々な設定に対して最適収束率(定数まで)を達成することを示す。 アルゴリズムを拡張して設定を拡張し、bi-SC-SCとbi-C-SCの両方で最適な収束率を達成する。
  論文  参考訳（メタデータ） (2022-10-31T17:59:29Z)
• NAG-GS: Semi-Implicit, Accelerated and Robust Stochastic Optimizer [45.47667026025716]
  2つの重要な要素に依存した、新しく、堅牢で、加速された反復を提案する。 NAG-GSと呼ばれる手法の収束と安定性は、まず広範に研究されている。 我々は、NAG-arityが、重量減衰を伴う運動量SGDや機械学習モデルのトレーニングのためのAdamWといった最先端の手法と競合していることを示す。
  論文  参考訳（メタデータ） (2022-09-29T16:54:53Z)
• Born-Infeld (BI) for AI: Energy-Conserving Descent (ECD) for Optimization [0.0]
  強混合(カオス)状態におけるエネルギー保存ハミルトン力学に基づくフレームワークとその重要な性質を解析的・数値的に紹介する。 プロトタイプは、目的関数に依存するボルン=インフェルド力学の離散化を確立する。
  論文  参考訳（メタデータ） (2022-01-26T19:00:05Z)
• AEGD: Adaptive Gradient Descent with Energy [0.0]
  本研究では, 1次勾配非エネルギー目的関数変数に対する新しいアルゴリズムである AEGD を提案する。 非エネルギー収束と所望の小さなステップサイズの両方に対してエネルギー依存型AEGDを示す。
  論文  参考訳（メタデータ） (2020-10-10T22:17:27Z)
• A Dynamical Systems Approach for Convergence of the Bayesian EM Algorithm [59.99439951055238]
  我々は、(離散時間)リアプノフ安定性理論が、必ずしも勾配ベースではない最適化アルゴリズムの分析(および潜在的な設計)において、いかに強力なツールとして役立つかを示す。 本稿では,不完全データベイズフレームワークにおけるパラメータ推定を,MAP-EM (maximum a reari expectation-maximization) と呼ばれる一般的な最適化アルゴリズムを用いて行うことに着目したML問題について述べる。 高速収束(線形あるいは二次的)が達成され,S&Cアプローチを使わずに発表することが困難であった可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-23T01:34:18Z)

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。